文章目录

2022-作业说明hw3

from：https://www.bilibili.com/video/BV1Wv411h7kN?p=35

学习目标

在这里插入图片描述

数据集介绍

在这里插入图片描述

baseline

在这里插入图片描述

模型选择

在这里插入图片描述

数据增强

在这里插入图片描述

mixup

在这里插入图片描述
使用mixup 需要改的地方
在这里插入图片描述

Test Time Augmentation（需要做多次才能显现它的优势，最后的test的加权多一点比较好）

在这里插入图片描述
在这里插入图片描述

Cross validation（需要对数据集做更改，这样就能train好几个model，不想做cross validation就把验证集划少一点，不需要这么多，只是用来验证 有无overfitting）

在这里插入图片描述
在这里插入图片描述

ensemble（average比较简单，voting可能会出现平手的情况需要处理）

在这里插入图片描述

没有GPU资源可以用Kaggle

在这里插入图片描述
在这里插入图片描述

kaggle时间管理

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

checkpoing 重新恢复训练（一种长时间避免断掉的技巧）

在这里插入图片描述

train多个model来做ensemble更保险

在这里插入图片描述

Experimental Tips

在这里插入图片描述

Other tricks…

在这里插入图片描述

colab IO很慢，建议用kaggle

在这里插入图片描述

Q1.数据增强

在这里插入图片描述

Q2.残差连接

在这里插入图片描述

提供的code 实作残差连接
在这里插入图片描述
在这里插入图片描述

print 维度，不用自己计算

在这里插入图片描述

训练 早停策略

在这里插入图片描述

# 深度学习
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

对抗性攻击与鲁棒性：破解机器学习模型的“视觉盲区”

摘要深度学习模型在图像分类、目标检测、人脸识别等视觉任务中展现出超越人类水平的性能，然而它们普遍存在一个致命的“视觉盲区”——对抗性攻击。攻击者通过在原始图像上添加人眼难以察觉的微小扰动，即可使最先进的神经网络产生完全错误的判断。这一安全漏洞对自动驾驶、医疗影像、智能安防等关键领域构成了严峻威胁。本文系统梳理了对抗性攻击的技术原理与典型方法，深入分析了深度学习模型脆弱性的成因，全面综述了从对抗训练

avatar DAMO开发者矩阵

gello遥操Franka容易触发力矩超限问题解决

在Gello主从遥操Franka机械臂场景中，机器人频繁出现爆红保护、急停锁机问题，极大影响遥操稳定性与数据采集效率。该问题并非硬件故障，核心源于Gello遥控基于位置差解算控制力矩的特性：人工操作抖动、姿态突变、负载惯性会产生瞬时超标力矩，无约束力矩会触发Franka伺服超限保护，同时运动惯性力易被机身碰撞检测算法误判为外部碰撞，最终导致机械臂爆红停机。本文从力位混合控制原理出发，拆解问题本质，

avatar DAMO开发者矩阵

从“建模城市”到“按需查询”：D4RT如何用200+FPS重新定义动态3D世界

D4RT由Google DeepMind与牛津VGG提出，荣获CVPR 2026最佳论文。它摒弃传统逐帧密集重建，采用“编码-查询-解码”统一接口，按需输出任意时空点的3D位置，速度达200+FPS，比前代快300倍，并解耦相机与物体运动，为具身智能提供高效动态场景理解基础。

avatar DAMO开发者矩阵