动手学深度学习

《动手学深度学习（Pytorch版）》Task01：初识深度学习——4.22打卡输入图像识别类别著名数据集Image-net将一个图像中的样式应用在另一图像之上以QA形式进行文字生成，如GPT-3

住在天上的云

【深度学习笔记】计算机视觉——风格迁移摄影爱好者也许接触过滤波器。它能改变照片的颜色风格，从而使风景照更加锐利或者令人像更加美白。但一个滤波器通常只能改变照片的某个方面。如果要照片达到理想中的风格，可能需要尝试大量不同的组合。这个过程的复杂程度不亚于模型调参。

住在天上的云

【深度学习笔记】优化算法——Adam算法🏷sec_adam本章我们已经学习了许多有效优化的技术。在本节讨论之前，我们先详细回顾一下这些技术：

住在天上的云

【深度学习笔记】计算机视觉——FCN（全卷积网络sec_fcn如 :numref:sec_semantic_segmentation中所介绍的那样，语义分割是对图像中的每个像素分类。全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换 :cite:Long.Shelhamer.Darrell.2015。与我们之前在图像分类或目标检测部分介绍的卷积神经网络不同，全卷积网络将中间层特征图的高和宽变换回输入图像的尺寸：这是通过在 :numref:sec_transposed_conv

住在天上的云

【深度学习笔记】计算机视觉——R-CNNsec_rcnn除了 sec_ssd中描述的单发多框检测之外，区域卷积神经网络（region-based CNN或regions with CNN features，R-CNN） Girshick.Donahue.Darrell.ea.2014也是将深度模型应用于目标检测的开创性工作之一。本节将介绍R-CNN及其一系列改进方法：快速的R-CNN（Fast R-CNN） Girshick.2015、更快的R-CNN（Faster R-CNN） Ren.He.Girshick.ea.2015和掩码R-CN

住在天上的云

【深度学习笔记】计算机视觉——图像增广sec_alexnet提到过大型数据集是成功应用深度神经网络的先决条件。图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。此外，应用图像增广的原因是，随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。可以说，图像增广技术对于AlexNet的成功是必不可少的。本节将讨论这项广泛应

住在天上的云

【深度学习笔记】深度卷积神经网络——VGG虽然AlexNet证明深层神经网络卓有成效，但它没有提供一个通用的模板来指导后续的研究人员设计新的网络。在下面的几个章节中，我们将介绍一些常用于设计深层神经网络的启发式概念。

动手学深度学习（2）-3.5 图像分类数据集这个模块主要是将如何加载数据集，并且生成一个迭代器，每一次访问都会俺批次生成数据。具体应用到以下几个功能：