摘要:
本文讲解了损失函数(数据损失与正则损失)、多类 SVM 损失与Softmax损失比较、梯度计算方法(数值梯度与解析梯度)、梯度下降优化算法等【对应 CS231n Lecture 3】 阅读全文
![深度学习与CV教程(3) | 损失函数与最优化](https://img2022.cnblogs.com/blog/2637458/202205/2637458-20220527120912406-1328342061.png)
摘要:
图像分类是计算机视觉的核心任务。本文讲解数据驱动的模型算法,包括最邻近算法、KNN分类器、线性分类器的原理、各自的优缺点和实际应用【对应 CS231n Lecture 2】 阅读全文
![深度学习与CV教程(2) | 图像分类与机器学习基础](https://img2022.cnblogs.com/blog/2637458/202205/2637458-20220527115640365-2015337184.png)
摘要:
本文讲解了斯坦福大学 CS231n 课程的内容框架(深度学习 + 卷积神经网络 + 计算机视觉应用)和学习基础,帮助了解计算机视觉的历史和技术发展【对应 CS231n Lecture 1】 阅读全文
![深度学习与CV教程(1) | 引言与知识基础](https://img2022.cnblogs.com/blog/2637458/202206/2637458-20220603104248776-360711497.png)
摘要:
本教程依托于 Stanford 斯坦福大学的《CS231n:深度学习与计算机视觉》,对深度学习与计算机视觉方向的图像分类、CNN、RNN、目标检测、图像分割、生成模型等各个主题做了体系化的梳理 阅读全文
![深度学习与计算机视觉教程:斯坦福CS231n · 全套笔记解读](https://img2022.cnblogs.com/blog/2637458/202205/2637458-20220527111631528-1997754567.png)