12 2023 档案
卷积
摘要：目录 卷积 卷积层的结构参数 计算公式 特殊卷积 卷积的矩阵表示 转置卷积 空洞卷积 可分离卷积 空间可分离卷积 深度可分离卷积 分组卷积 可变形卷积 卷积 卷积层的结构参数 **卷积核大小(Kernel Size): **定义卷积操作的感受野。 步幅(Stride): 定义卷积核遍历图像时的步幅大
EfficientNet V2网络
摘要：EfficientNet V2网络 目录 前言 EfficientNet V1中存在的问题 EfficientNet V2中的贡献 网络框架 Progressive Learning渐进学习策略 代码 前言 EfficientNet V2是2021年4月份发布的，下图是论文中给出的性能参数。 可以看
EfficientNet网络
摘要：EfficientNet网络 目录 前言 论文思想 网络结构 MBConv结构 EfficientNet(B0-B7)参数 代码 前言 在一些手工设计的网络中，我们常常将输入图像分辨率固定为224。为什么设置这个值，而网络的深度为什么这么设？如果要问的话，可能回复就四个字—工程经验。 而Effici
常用损失函数
摘要：常用损失函数 目录 损失函数的意义 均方误差(MSE) 计算方法 适用场景 代码 均方根误差(RMSE) 计算方法 使用场景 代码 平均绝对误差(MAE) 计算方法 适用场景 代码 交叉熵损失 计算方法 适用场景 代码 对数似然损失 计算方法 适用场景 代码 余弦相似度损失(CSL) 计算方法 推理
正则化
摘要：目录 什么是正则化 什么是范数 L1正则化 L2正则化 其他正则化方法 什么是正则化 在机器学习中，一个核心问题是设计不仅在训练数据集上表现好，而且能在新输入上有好的泛化性，因此许多策略被显式地设计来减少测试误差，这些 策略统称为正则化。 因此，正则化被定义为对学习算法地修改-减少泛化误差而不是训练
标签平滑
摘要：标签平滑 目录 前言 交叉熵损失 Label Smoothing 代码实现 前言 Label Smoothing(标签平滑)是一种正则化的方法，用于减轻过拟合的影响。其应用场景必须具备以下几个要素： 标签必须是one-hot向量 损失函数是交叉熵损失函数 交叉熵损失 交叉熵损失是做分类任务里常用的一
CV常用Tricks
摘要：训练CV比赛常用Tips & Tricks 目录 引言 1. 图像增强 颜色增强 RGB Norm Black and White Ben Graham: Grayscale + Gaussian Blur Hue,Saturation,Brightness LUV Color Space Alph
