【代码实验】CNN实验——利用Imagenet子集训练分类网络（AlexNet/ResNet）
Imagenet是计算机视觉的经典分类比赛，但是Imagenet数据集本身太大了，我们穷学生没有这么大的算力，2016年google DeepMind团队从Imagnet数据集中抽取的一小部分（大小约3GB）制作了Mini-Imagenet数据集（也就是Imagenet的子集），共有100个类别，每
python姿态检测实现多人多姿态识别python行为识别openpose行为骨骼框架检测动作识别动作检测行为动作分类
将待识别视频序列的每帧静态图像输入训练好的空间通道卷积神经网络，对网络参数进行微调后，进行训练和测试，并输出待识别视频序列的每帧静态图像对应的各个类别的概率值；h和w分别是第t帧静态图像的宽度和高度；步骤三、采集待识别视频序列，将待识别视频序列切割为每帧静态图像来作为训练集和测试集数据，对步骤二训练
InternImage实战：使用InternImage实现图像分类任务（一）
论文翻译：https://wanghao.blog.csdn.net/article/details/129379410官方源码： https://github.com/OpenGVLab/InternImage他来了！他来了！他带着氩弧焊的光芒过来了！作为CV的大模型，InternImage的光芒
ResNet 训练CIFAR10数据集，并做图片分类
超深的网络结构，可以突破1000层提出residual 模块使用Batch Normalization 抑制过拟合，丢弃Dropout方法针对第一点，我们知道加深网络层对于提升网络性能至关重要。然而实际情况中，网络层的加深会导致学习无法进行，性能会更差。因为网络的深度会导致梯度消失或者梯度爆炸的问题
PyTorch 之 基于经典网络架构训练图像分类模型
我们可以进入 pytorch 的官方网站，对模型的基本架构和训练好的参数进行直接调用，具体链接如下。
深度强化学习（DRL）简介与常见算法（DQN，DDPG，PPO，TRPO，SAC）分类
简单介绍深度强化学习的基本概念，常见算法、流程及其分类（持续更新中），方便大家更好的理解、应用强化学习算法，更好地解决各自领域面临的前沿问题。欢迎大家留言讨论，共同进步。
手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例
在8月17日晚上，YOLOv5官方发布了v6.2版本，v6.2版本支持分类模型训练、验证、预测和导出；v6.2版本的推出使得训练分类器模型变得超级简单！
机器学习中的数学原理——分类的正则化
通过这篇博客，你将清晰的明白什么是分类的正则化。这个专栏名为白话机器学习中数学学习笔记，主要是用来分享一下我在 机器学习中的学习笔记及一些感悟，也希望对你的学习有帮助哦！感兴趣的小伙伴欢迎私信或者评论区留言！这一篇就更新一下《 白话机器学习中的数学——分类的正则化》
数据安全-数据分类分级方案设计
通过前期市场调研与分析，发现已经有多家企业在数据分类分级方向发力，国家政策也是21年才正式发布，市场还处于早期阶段，多家产品也是近一两年才出炉，地方政府相关单位也在逐步出台相关政策和做出动作。数据分类分级产品，还是大有市场的，那么我们来看一下针对分类分级方案的具体设计。
使用Pytorch框架自己制作做数据集进行图像分类（一）
网上有很多直接利用已有数据集（如MNIST， CIFAR-10等），直接进行机器学习，图像分类的教程。但如何自己制作数据集，为图像制作相应标签等的教程较少。故写本文，分享一下自己利用Pytorch框架制作数据集的方法技巧。开发环境：Pycharm + Python 3.7.9torch 1.10.2
机器学习中的七种分类算法
Spike-and-slab priors(SSP)：尖峰和平板先验
AI模型大杀器----Amazon SageMaker 实现高精度猫狗分类
Hello大家好，我是Dream。 最近受邀参与了 亚马逊云科技【云上探索实验室】 活动，基于他们的sagemaker实现了机器学习中一个非常经典的案例：猫狗分类。最让我惊喜的是的模型训速度比想象中 效果要好得多，而且速度十分迅速，而且总体感觉下来整个过程十分便利，使用起来也是得心应手。 那接下来跟
机器学习-KNN算法（鸢尾花分类实战）
“近朱者赤近墨者黑"，所谓的K近邻，也就是根据样本相邻最近的K个数据来进行判断，看K个邻居中所属类别最多的是哪一类，则将该样本分为这一类。
多模态特征融合：图像、语音、文本如何转为特征向量并进行分类
学习多模态的话题可以从深度学习的分类任务出发，因为分类任务是最直观的可以观察到不同模态的数据，通过输入数据到模型中，我们可以看到模型是如何学习到数据的特征向量的，同时分类任务的模型也是实现更复杂任务模型的基础。从分类任务中可以了解到图像、文本、语音在模型的特征向量是什么。以飞浆的多模态视频分类模型为
K210项目实战（口罩检测系统和垃圾分类系统）
在前面我学习了使用K210训练模型做目标检测，然后也学会了使用K210做串口通信，学完之后我就把K210丢在箱子里吃灰了,因为学校疫情原因，两年一届的电赛很遗憾不能参加了，然后我就想拿他做个口罩检测系统（检测到没戴口罩可以语言提醒），这个真的好简单，哈哈哈，接下来加点难度，做个垃圾分类系统，半天就做
Pytorch:手把手教你搭建简单的卷积神经网络(CNN)，实现MNIST数据集分类任务
利用pytorch搭建简单卷积神经网络用于分类任务，适合初学者快速上手
机器学习分类算法之支持向量机
目录支持向量机算法背景介绍什么是线性可分？什么又是超平面？支持向量机的三种情况近线性可分线性不可分不用核函数的传统方法核函数Kernel是什么？核函数SVM求解过程核函数的本质代码实例模型调参gamma调参C值调参使用Polynomial kernel进行预测使用RBF kernel进行预测总结每文
【深度学习】CNN应用于图像分类的建模全流程
图像分类，也可以称作图像识别，顾名思义，就是辨别图像中的物体属于什么类别。核心是从给定的分类集合中给图像分配一个标签的任务。
使用Resnet网络对人脸图像分类识别出男女性别（包含数据集制作+训练+测试）
这两天有点忙，本打算昨天准备写这篇博客内容的，推迟到今天晚上。实际上，上午我已经把模型训练完了，准确率可以达到95%，考虑到用的台式机没有装显卡，所以使用的数据集一共只有340张。分布情况如下。【训练集】女性：150张；男性：150张【验证集】女性：20张；男性：20张数据集预览女性数据男性数据提示
机器学习开篇之机器学习的分类
目录1 引言2 机器学习分类2.1 监督学习（Supervised Learning）2.1.1 传统监督学习2.1.2 非监督学习2.1.3 半监督学习2.1.4 其它分类2.2 强化学习（Reinforcement Learning）3 总结首先，我们给出四个机器学习任务以上四
