摘要：
Kaggle上的图像分类（CIFAR 10) 现在，我们将运用在前面几节中学到的知识来参加Kaggle竞赛，该竞赛解决了CIFAR 10图像分类问题。比赛网址是https://www.kaggle.com/c/cifar 10 PyTorch Version: 1.3.0 获取和组织数据集 比赛数据 阅读全文
摘要：
Generative Adversarial Networks Throughout most of this book, we have talked about how to make predictions. In some form or another, we used deep neur 阅读全文
摘要：
Deep Convolutional Generative Adversarial Networks we introduced the basic ideas behind how GANs work. We showed that they can draw samples from some 阅读全文
摘要：
Kaggle上的狗品种识别（ImageNet Dogs） 在本节中，我们将解决Kaggle竞赛中的犬种识别挑战，比赛的网址是https://www.kaggle.com/c/dog breed identification 在这项比赛中，我们尝试确定120种不同的狗。该比赛中使用的数据集实际上是著名 阅读全文
摘要：
样式迁移 如果你是一位摄影爱好者，也许接触过滤镜。它能改变照片的颜色样式，从而使风景照更加锐利或者令人像更加美白。但一个滤镜通常只能改变照片的某个方面。如果要照片达到理想中的样式，经常需要尝试大量不同的组合，其复杂程度不亚于模型调参。 在本节中，我们将介绍如何使用卷积神经网络自动将某图像中的样式应用 阅读全文
摘要：
9.3 目标检测和边界框 9.3.1 边界框 9.4 锚框 目标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边缘从而更准确地预测目标的真实边界框（ground truth bounding box）。不同的模型使用的区域采样方法可能不同。这里我们介 阅读全文
摘要：
9.2 微调 在前面的一些章节中，我们介绍了如何在只有6万张图像的Fashion MNIST训练数据集上训练模型。我们还描述了学术界当下使用最广泛的大规模图像数据集ImageNet，它有超过1,000万的图像和1,000类的物体。然而，我们平常接触到数据集的规模通常在这两者之间。 假设我们想从图像中 阅读全文
摘要：
图像增广 在5.6节（深度卷积神经网络）里我们提到过，大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的 阅读全文
摘要：
文本情感分类 文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。本节关注它的一个子问题：使用文本情感分类来分析文本作者的情绪。这个问题也叫情感分析，并有着广泛的应用。 同搜索近义词和类比词一样，文本分类也属于词嵌入的下游应用。在本节中，我们将应用预训练的词向量和含多个隐 阅读全文