文章
9
标签
4
分类
4
Home
Note
Moments
八音盒
调色盘
小纸条
关于我
Yetbye-除了死亡,每一天都是婚礼~
笔记本功能测试
Home
Note
Moments
八音盒
调色盘
小纸条
关于我
笔记本功能测试
发表于
2025-06-05
|
更新于
2025-06-05
|
poetry
|
总字数:
5
|
阅读时长:
1分钟
|
浏览量:
测试!好运来
文章作者:
Yetbye
文章链接:
https://yetbye.top/articles/text/
版权声明:
本博客所有文章除特别声明外,均采用
CC BY-NC-SA 4.0
许可协议。转载请注明来源
Yetbye-除了死亡,每一天都是婚礼~
!
上一篇
Validation Set
定义验证集是从原始训练数据中划分出来的一部分数据,它与训练集和测试集不同,主要用于模型训练过程中调整模型的超参数,以及对模型的性能进行初步评估,以避免模型过拟合,提高模型的泛化能力。 作用 调整超参数:超参数是在模型训练之前需要手动设置的参数,如学习率、层数、神经元数量、正则化参数等。通过在验证集上评估不同超参数组合下模型的性能,可以找到最优的超参数设置,使模型在测试集或实际应用中表现更好。例如,在训练多层感知机时,通过在验证集上比较不同学习率下模型的损失值和准确率,选择使得验证集准确率最高的学习率作为最终的学习率。 防止过拟合:过拟合是指模型在训练集上表现很好,但在新的数据(测试集或实际应用中的数据)上表现不佳的现象。在训练过程中,使用验证集可以监控模型的性能变化。如果发现模型在训练集上的损失不断下降,而在验证集上的损失开始上升,准确率开始下降,这可能是模型开始过拟合的信号。此时,可以采取一些措施,如提前停止训练、增加正则化项、减少模型复杂度等,以防止模型过拟合。 划分方式 留出法:直接将原始数据集按照一定的比例划分为训练集、验证集和测试集。通常情况下,训练集占比 60%...
下一篇
YOLOv1原理解析
例会讲义, 摘自《YOLO目标检测》 Network Structureoverview 逻辑:仅使用一个卷积神经网络来端到端地检测目标(not two-stage) 遗风:图像分类网络都会将特征图展平(flatten),得到一个一维特征向量,然后连接全连接层去做预测。(如图) 容易计算从特征图被展平,再到连接4096的全连接层时过程的参数量:$$7×7×1024×4096 + 4096 \approx 2×10^{8}$$ YOLOv1这一缺陷是致命的(后续的改进便是优化该层网络结构) how to realize detection综述:将输入图像划分成$7\times 7$的网格,然后在网格上做预测。(DL works on CV because of CNN) 概览YOLO 一张RGB图像输入网络经过一系列的卷积和池化操作后,得到一个经过64倍降采样的 $feature\space map$ (获取高级特征) 将其展平为一个一维的特征向量,再由若干全连接层处理,最后做一些必要的维度转换操作,得到输出张量 $Y \in...
Yetbye
文章
9
标签
4
分类
4
Follow Me
公告
小站现在还有很多不足,如果数据没有加载出来,可以刷新试试~ Have a nice day!
最新文章
简易情感分析(星级)应用搭建
2025-06-07
Gradient Descent
2025-06-07
YOLOv2框架解析
2025-06-07
YOLOv1原理解析
2025-06-06
笔记本功能测试
2025-06-05
简