该文被密码保护。 阅读全文
摘要：
1. 摘要： a. 方向：自动驾驶领域，针对复杂交通情况 b. 数据集：ONCE（One millioN sCenEs） c. 改进点（基于Voxel-RCNN）： i. 在3D Backbone中加入残差结构 ii. 设计了一个厚重的（？）3D特征提取器（有效提取高维信息） iii. 2D Bac 阅读全文
摘要：
课程7 训练神经网络（part 2） key： 更好的优化 正则化 迁移学习 Fancier Optimization 更好的优化（如何更新梯度） 1.从SGD（随机梯度下降）出发： 问题一：以二维为例（两个都是权重，一个是w1，一个是w2），在w1上前进很慢，在w2上前进很快，导致曲折前进，推广到 阅读全文
摘要：
课程6 训练神经网络（part 1） key： epoch指一次使用全部数据的完整训练 开始（激活函数、数据预处理、权重初始化、正则化、梯度检查） 动态训练（监督学习过程、参数更新、超参数优化） 评估（模型评估） 激活函数 1.Sigmoid函数：将输出固定在[0 , 1]，曾经很受欢迎，因为可以很 阅读全文
摘要：
课程5 卷积神经网络 key： CNN 卷积核（滤波器） 卷积神经网络 Convolutional Neural Networks 1.一点历史：从马克一号（1957）开始出现感知计算机，有了激活函数的思想；到1960出现多层，至1986第一次反向传播开始流行，2006年有 再激活 研究在深度学习中 阅读全文