发简信
IP属地：上海
-
66.神经网络架构搜索（NAS）2015至2017年间，是CNN网络设计最兴盛的阶段，大多都是由学者人工设计的网络结构。这个过程通常会很繁琐其主要原因在于对不同模块组件的组成通...
-
65.AutoML-11.什么是AutoML？ 目前一个优秀的机器学习和深度学习模型，离不开这几个方面：一、优秀的数据预处理；二、合适的模型结构和功能；三、优秀的训练...
-
64.合理使用预训练网络-3
64.1 目标检测中如何从零开始训练(train from scratch) 目标检测和其他任务从零训练模型一样，只要拥有足够的数据以及充分而有...
-
63.合理使用预训练网络-2
63.1 目标检测中如何从零开始训练 63.2 不同的数据集特性下如何微调 数据集数据量少，数据和原数据集类似。这是通常做法只需修改最后的输出层...
-
62.合理使用预训练网络-1
62.1 什么是微调（fine-tune） 微调（fine-tune），顾名思义指稍微调整参数即可得到优秀的性能，是迁移学习的一种实现方式。微调...
-
61.在极端批样本数量下训练网络
极端批样本情况一般是指batch size为1或者batch size在6000以上的情况 这两种情况，在使用不合理的情况下都会导致模型最终性能...
-
60.网络训练中的超参调整策略—学习率调整24、inverse_time_decay 逆时衰减，这种方式和指数型类似。如图， 5、 余弦衰减，即按余弦函数的方式衰减学习率，如图 6、 余弦...
-
59.网络训练中的超参调整策略—学习率调整1学习率可以说是模型训练最为重要的超参数。通常情况下，一个或者一组优秀的学习率既能加速模型的训练，又能得到一个较优甚至最优的精度。过大或者过小的学...
-
58.网络训练中的超参调整策略—如何调试模型
在讨论如何调试模型之前，我们先来纠正一个误区。通常理解如何调试模型的时候，我们想到一系列优秀的神经网络模型以及调试技巧。但这里需要指出的是数据才...