高端企业网站建站东莞最好的网站建设价格低
- 图像识别技术与应用
学习到了torchvision、imageFolder以及可视化工具（TensorBoard等）
图像分类：
将不同的图像，划分到不同的类别标签，实现最小的分类误差。
图像分类的三层境界
- 通用的多类别图像分类
- 子类细粒度图像分类
- 实例级图像分类
图像分类评估指标--混淆矩阵（精确率；准确率；召回率；F1_Score；P-R曲线）
模型基本概念-网络的深度（网络的深度；网络的宽度）
图像分类中样本量过少的问题（迁移学习：使用预训练模型；数据增强(有监督方法与无监督方法)；）
学习数据集（数据集说明；加载数据；构建网络；训练模型；测试模型；）
通过对图像识别技术与应用的学习，我不仅掌握了相关的理论知识和技术方法，还深刻认识到其在推动各行业发展和改善人们生活方面的巨大潜力。在未来的学习和工作中，我将继续深入研究图像识别技术，不断探索其新的应用领域和创新方法，为解决实际问题贡献自己的力量。
- 机器学习
集成算法（简单平均法； 加权平均法；少数服从多数； ）
使用模块：（先导入需要的模块；再定义相关模型结构；然后导入数据；）
还学习到了集成方法（模型集成方法采用类似投票机制的方法）
还利用神经网络对手写数字进行识别：
利用神经网络完成对手写数字进行识别的实例，来说明如何借助nn工具箱来实现一个神经网络，并对神经网络有个直观了解。在这个基础上，后续我们将对nn的各模块进行详细介绍。实例环境使用PyTorch1.5+，GPU或CPU，源数据集为MNIST。
基本步骤（准备数据；可视化源数据；构建模型；训练模型；）
机器学习的学习让我认识到它强大的实用性与发展潜力，在未来，我会持续关注新技术，深入研究，提升自己利用机器学习解决复杂问题的能力。
今日份学习总结已完毕~(=^▽^=)