登录社区云，与社区用户共同成长
邀请您加入社区
在深度学习的早期（2012-2014），每个视觉任务都需要从零开始训练一个深度网络。数据需求巨大：深度网络通常有数百万到数千万参数，需要大量标注数据才能有效训练。ImageNet 有 120 万张标注图像，但大多数特定领域（医疗影像、卫星图像、工业缺陷检测）根本没有这么多标注数据。计算成本高昂：训练一个 AlexNet 需要 5-6 天（2012 年的 GPU），训练更深的网络（VGG、ResNe
摘要： 本教程详细介绍了基于SO-ARM101双臂机器人的模仿学习全流程，涵盖机械臂标定、主从遥操作示教、数据集采集、ACT模型训练及真机部署。通过LeRobot开源框架，用户可快速实现ALOHA级别的双臂AI任务，如自主抓取。项目优势包括低成本（3D打印结构）、开箱即用的主从控制架构、CANFD低延迟通信，以及标准化数据集格式，适合零基础用户复现。关键步骤包括环境配置、50组示教数据录制、ACT
斯坦福与康奈尔:机器人先"玩耍"再"精通"，精密装配成功率高达60%
本文探讨了深度学习技术在皮肤癌图像分类中的应用和进展。文章首先介绍了皮肤癌的严重性和早期检测的重要性，随后详细阐述了使用卷积神经网络（CNN）和迁移学习等技术在自动化皮肤癌检查和诊断方面的最新研究。文章重点介绍了在ISIC 2019数据集上实施的基于深度学习的自动系统，该系统通过数据预处理和增强、迁移学习以及微调预训练模型等方法，显著提高了对皮肤病变图像分类的准确性。
PyTorch与TensorFlow2.x深度学习框架对比摘要 本文对比了两大主流深度学习框架PyTorch和TensorFlow2.x的核心特点。PyTorch以简洁灵活著称，采用动态计算图，调试直观，学习曲线平缓，适合科研和快速原型开发；TensorFlow2.x则注重工业级应用，提供全链路工具链，支持跨平台部署，适合生产环境。建议入门者根据目标选择：科研优先选PyTorch，工业应用选Ten
1.传统机器学习（Traditional Machine Learning）传统机器学习是一类通过算法让计算机从特定任务的标注数据中自主学习规律，进而对未知数据进行预测或决策的技术。其核心逻辑是“为单一任务定制学习模型”，即针对每个新任务，都需要重新收集足量标注数据、设计特征工程，并训练全新的模型。模型的学习过程局限于当前任务的数据集，无法利用其他任务的知识经验，学习结果也仅适用于当前任务场景。
主要内容：免费开题报告、任务书、全bao定制+中期检查PPT、代码编写、🚢文编写和辅导、🚢文降重、长期答辩答疑辅导、一对一专业代码讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。
本文介绍了一个基于ResNet50的野外可食用鲜花分类项目，主要包含以下内容： 项目结构：提供了数据集链接和项目目录结构 核心模块： CBAM注意力机制模块实现（通道+空间注意力） ONNX模型导出和推理代码 功能实现： 权重转换：将PyTorch模型导出为ONNX格式 图像分类：支持中文/英文类别映射 性能评估：提供推理耗时统计 特色： 包含61种可食用植物的分类能力 中英双语标签支持 完整的预
摘要：本文介绍了计算机视觉中迁移学习和数据增强的应用方法。在迁移学习部分，以猫检测器为例，展示了如何利用预训练网络权重进行模型初始化，并根据数据量大小选择冻结不同层数进行训练的策略。数据增强部分则讨论了镜像对称、随机裁剪、旋转和颜色转换等方法来扩充有限数据集，提高模型训练效果。文章强调应根据实际数据量灵活调整训练策略，在数据不足时充分利用预训练模型和数据增强技术来提升模型性能。
微调是一种迁移学习方法，通过预训练模型提升目标任务的性能。具体步骤包括：1）在源数据集预训练模型；2）复制除输出层外的网络结构和参数；3）针对目标数据集添加新输出层并随机初始化；4）用较小学习率微调预训练层，较大学习率训练新输出层。实验表明，使用ImageNet预训练的ResNet18模型在微调后（输出层学习率×10）获得93.6%的测试准确率，显著优于从头训练的模型。微调方法能有效利用预训练模型
1 迁移学习1.0 简介图1.0 迁移学习迁移学习是机器学习研究的课题,在机器学习中集中于依据习得的知识解决不同但相关的问题;即用已知去解决未知(相关);1.2 迁移学习分类(1) 使用模型结构,不利用模型权重,重新训练数据,输出训练模型图1.2 仅利用模型结构重新训练当新的任务与现存的模型任务差距较大时,可借鉴模型结构,重新进行训练,以达到较优的效果,如图1.2中的摩托车和肿瘤...
本周主要跟随李宏毅老师的课程学习了迁移学习相关的内容，主要对模型微调、多任务学习、领域对抗学习和零样本学习进行了较为深入的了解。本周对迁移学习相关内容进行了学习，主要学习了模型微调和多任务学习、领域对抗学习、零样本学习等知识，认识到迁移学习主要是利用别的领域上大量的样本训练模型初始权重优化训练过程的一些方法，对模型设计和训练有了更进一步的认识。
水下目标检测面临水体浑浊、颜色衰减、小目标识别等挑战。本文总结了前沿技术路线：1）水下图像预处理（去雾/增强）；2）特征提取改进（Transformer/多特征融合）；3）检测头优化；4）后处理改进。以PyTorch为例展示了去雾模块与检测网络的融合方法，并提供了工程实践建议。目前该领域正从传统CNN向多模态融合、Transformer等方向发展，未来需要进一步解决水下环境干扰和数据稀缺问题。
本次基于自定义 ResNet 的 MNIST 手写数字识别实践，以 “简化、适配、高效” 为核心，既验证了残差网络在简单任务中的有效性，也为初学者提供了 “从模型设计到训练落地” 的完整实战路径。实践表明：残差网络的价值不仅在于 “深层”，更在于 “通过跳跃连接解决训练难题”；针对任务特点的轻量化设计，往往比直接套用复杂预训练模型更具性价比。后续可基于此框架，扩展至更复杂的图像分类任务（如 Fas
目标检测和迁移学习是现代AI，尤其是深度学习不可或缺的两大基石。目标检测通过一系列精妙的算法设计（从两阶段的精度优势到单阶段的速度优势），实现了机器对“看懂”世界的跨越。未来的趋势将是更轻量化、更高效、更通用的模型，例如结构（如DETR）的引入，正推动目标检测向更简洁的端到端范式发展。迁移学习则极大地提高了深度学习的实用性和可扩展性。通过复用知识，它有效解决了数据稀疏和高昂计算成本的问题，让深度学
通过继承该类通过.txt文件读取样本路径与类别标签，实现灵活的数据管理。本文完整展示了一个基于ResNet18 迁移学习的20类图像分类任务，从模型加载、参数冻结、数据增强、训练与验证流程，到优化器与学习率调度的全流程实现。通过冻结特征提取层、仅微调分类层的设计，我们能够以极低的训练成本获得高准确率模型，体现了迁移学习在现实任务中的高效性与实用价值。
本文深入探讨了智能草药识别系统背后的深度学习技术，包括卷积神经网络（CNN）、循环神经网络（RNNs）、最近邻（k-NN）和多层感知器（MLP）。通过误差函数分析、反向传播算法和不同的机器学习模型，如VGGNet、CaffeNet和Inception，这些技术被用于提高识别草药图像的准确性。此外，文章还讨论了迁移学习的概念，以解决训练新模型时对大数据集的需求。
本文介绍了5种AI入门必备的机器学习算法：线性回归（预测连续值）、逻辑回归（二分类）、决策树（直观分类/回归）、随机森林（集成算法更稳定）和K近邻（基于邻居分类）。每个算法都配有通俗解释、适用场景和Python实操代码（使用sklearn库），帮助新手快速掌握基础模型训练。文章强调入门阶段应重点理解算法用途而非数学推导，并提供极简代码示例，建议读者按线性回归→逻辑回归→决策树→K近邻→随机森林的顺
