学习心得： 本次任务也是这次集中学习的最后一次任务了，感谢datawhale社区的提供如此不错的学习方式，能让大家摸着子豪同学过河，这次学习也让我认真的捋了一遍pytorch...
IP属地：陕西
-
Task7:模型部署 -
Task6：可解释性分析本次学习心得： 学习了怎样可以容易的对各类别的语义特征进行可视化，并且认识到其相关情况所含有的寓意，也学会了几个不错的工具库：t-SNE、UMAP、plotply。其中也认识...
-
Task5:测试集评估模型性能本次学习心得：跑了一下自己的鉴别蘑菇的模型，发现效果并不是很理想，大概问题出现在前期数据集的选取上有问题，无奈使用了子豪同学开源的数据集和训练好的模型，完成了本次的任务，在本...
-
Task4：通过自己训练的模型进行图像识别
学习心得： 本次内容是通过task3训练好的模型来分别图像类型，大致操作与task2相似，本次我主要花费大量时间在cuda利用本地n显卡进行训练。也踩坑不少，总结了一些经验（...
-
Task3：迁移学习训练自己的图像分类模型
本次学习心得： 首先是学到了在线日志-wandb，对查看自己模型的训练进度有很不错的作用。其次是在模型训练上的细节，如不能将测试集进行训练，尝试不同的迁移模型配置，对训练模型...
-
Task2:预训练图像分类模型预测学习心得： 本次任务较为容易，让我们初步认识了pytorch原生的预测模型，分别通过图片、视频、摄像头三个角度来查看原生分类模型的分类效果。 1.分类图片 通过Opencv读...
-
Task1 ：构建自己的图像分类
本次学习心得 通过子豪同学的学习分享，我了解到一个好的图像训练模型需要好的数据集，我们在前期准备时就需要考虑到数据的多样性、差异性，场景的复杂性，还有研究对象可能有多种表现型...