做网站那个公司好,网页内容,wordpress注册验证邮箱验证,舒城县住房和城乡建设局网站1、深度学习术语表一 序号 术语 解释 1 Adam Adam (adaptive moment estimation)是一种基于一阶梯度的随机目标函数优化算法#xff0c;用于计算单独的自适应学习率。在深度学习方法中#xff0c;该算法可用于最小化损失函数。 2 anchor 它们作为固定的参考边界框用于计算单独的自适应学习率。在深度学习方法中该算法可用于最小化损失函数。 2 anchor 它们作为固定的参考边界框借助这些参考框网络为要目标的定位提出建议的边界框。 3 annotation 表示给定实例的 ground truth信息。例如在目标检测中一个实例的边界框和相应的标签。 4 anomaly 异常是指偏离正常的事物未知的事物。例如结构异常或逻辑异常。 5 backbone 骨干网络是预训练分类网络的一部分。它的任务是生成各种特征图因为分类层被删除了。 6 bounding box 用于定位图像中某一对象的矩形框。 7 class agnostic 在HALCON中我们使用它来减少重叠的预测边界框。对于class agnostic的边界框抑制重叠实例的抑制忽略了类的信息因此重度重叠的实例被独立于它们的类进行抑制。 8 change strategy 表示在DL模型的训练过程中何时以及如何改变超参数的策略。 9 class 网络区分的离散类别(例如苹果、桃子、梨)。
2、深度学习术语表二 序号 术语 解释 1 classifier 分类器将图像作为输入并返回推理的置信度值表示图像属于每个类别的可能性。例如苹果、桃子和梨这三个类别是有区别的。现在我们给分类器一个苹果的图像。因此可以返回apple:0.92peach:0.07和pear:0.01的置信度。 2 COCO COCO是common objects in context的缩写是一个大规模的目标检测、分割和字幕数据集。 3 confidence 置信度代表实例与类别之间相匹配的程度。在HALCON中置信度是在[0,1]范围内给定的概率。备选名称:score。 4 confusion matrix 混淆矩阵是一个表它将网络预测的类(top-1)与ground truth 类从属关系进行比较。它通常用于可视化网络在验证或测试集上的性能。 5 Convolutional Neural Networks (CNNs) 卷积神经网络是用于深度学习的神经网络其特点是在网络中至少存在一个卷积层。 6 data 深度学习数据(包含图像和标签等)。 7 Data augmentation 数据增强是在数据集中生成样本的修改副本。这样做是为了增加数据集的丰富度例如通过翻转或旋转。 8 dataset 对于dataset我们指的是用于训练的完整数据集。数据集被分成三个(如果可能的话)独立的子集:训练集包含算法直接优化网络的数据验证集包含在训练期间评估网络性能的数据测试集用于测试可能的推断(预测)从而在不影响网络优化的情况下用数据测试网络模型性能。 9 epoch 在深度学习的背景下epoch是对整个训练数据的一次训练迭代即对所有批次训练数据的训练迭代。 10 deep learning 在HALCON中我们将术语深度学习用于使用具有多个隐藏层的神经网络的方法。
3、深度学习术语表三 序号 术语 解释 1 errors 在深度学习的背景下当一个推断的实例类别与真实类别不匹配时的误差。在HALCON中当我们提到top-1误差时我们在深度学习中使用误差这个术语。 2 feature map 特征图是给定层的输出。 3 Feature pyramid 特征金字塔就是一组特征图每个特征图都来自另一个层级也就是说它比之前的层级小。 4 head 头是子网络结构对于某些架构它们附加在选定的金字塔层级上。 5 inference phase 推理阶段是应用训练好的网络来预测(推断)实例的阶段。这些实例可以是整个输入图像也可以是其中的一部分。与训练阶段不同在推理阶段网络不再发生变化。 6 intersection over union IoU是一种量化两个区域重叠的方法。我们可以确定两个区域的共同部分交集和并集。IoU是两个区域交集和并集的比值。 7 label 标签是用来定义图像类别的字符串。在HALCON中这些标签由图像名称(下划线和数字的组合)或目录名称给出例如apple_01.png pear.png peach/01.png。 8 layer and hidden layer 层是神经网络中的构建块因此执行特定的任务(例如卷积池化等)。它可以看作是一个容器它接收加权输入对其进行转换并将输出返回给下一层。输入和输出层分别连接到数据集即图像或标签。中间的所有层都称为隐藏层。 9 weights 一般来说权重是网络的自由参数在训练过程中由于损失的优化而改变。具有权重的层与其输入值相乘或相加。与超参数相比权重是优化的因此在训练过程中可以改变。
4、深度学习术语表四 序号 术语 解释 1 level 在特征金字塔网络中使用术语层级来表示具有相同宽度和高度的整个层组中的特征图。因此输入图像表示层级0。 2 loss 损失函数将来自网络的预测与给定的标签进行比较并减小偏差。这个损失函数是我们在训练过程中优化的函数以使网络适应特定的任务。别名:目标函数、代价函数。 3 non-maximum suppression 在目标检测中采用非最大抑制来抑制重叠的预测边界框。 当不同的实例重叠超过给定的阈值时只保留具有最高置信度值的实例而不具有最大置信度值的其他实例将被抑制。 4 overfitting 当网络开始“记忆”训练数据而不是学习如何找到分类的一般规则时就会发生过拟合。当模型继续最小化训练集上的误差但验证集上的误差增加时这一点就变得明显了。由于大多数神经网络有大量的权重这些网络特别容易过度拟合。 underfitting 当模型过度泛化时就会出现欠拟合。换句话说它无法描述任务的复杂性。这直接反映在训练集上的误差上并没有明显下降。 5 retraining 我们将再训练定义为更新已经预训练的网络的权值即在再训练过程中网络学习特定的任务。别名:微调。 6 solver 求解器通过以优化(即最小化)损失的方式更新权重来优化网络。 7 stochastic gradient descent (SGD) SGD是一种求解可微函数的迭代优化算法。SGD的一个关键特征是仅基于包含随机抽样数据的单个批次而不是所有数据来计算梯度。在深度学习方法中该算法可用于计算梯度以优化(即最小化)损失函数。 8 top-k error 分类器推断给定图像属于给定类别的置信度。在top-1错误率的情况下我们检查目标标签是否与预测的最高概率值相匹配。在top-3错误率的情况下我们检查目标标签是否匹配前3个预测中的一个(这3个标签获得该图像的最高预测概率)。别名:top-k分数。 9 transfer learning 迁移学习是指在已有网络的知识基础上建立网络的技术。具体来说这意味着使用一个已经(预)训练的网络及其权重并使输出层适应相应的输出。我们将再训练视为迁移学习的一部分。
5、深度学习术语表五 序号 术语 解释 1 hyperparameter 像每个机器学习模型一样cnn包含许多带有许多参数的公式。在训练过程中模型从数据中学习优化参数。然而这样的模型可以有其他额外的参数这些参数不是在常规训练中直接学习到的。这些参数的值是在开始训练之前设置的。我们将最后一种类型的参数称为超参数以便将它们与在训练期间优化的网络参数区分开来。或者从另一个角度来看超参数是特定于求解器的参数。 2 batch size 批大小(超参数batch_size)数据集被分成更小的数据子集这些子集被称为批。批处理大小决定了一个批处理中向网络喂入的图像数量。 3 learning rate 学习率(超参数)是在更新损失函数参数时应考虑梯度。简单来说当我们想要优化一个函数时梯度告诉我们应该优化的方向而学习率决定了我们一多大的步长沿着这个方向走。 别名:step size(步长)。 4 momentum 动量是用于优化损失函数参数。当损失函数参数更新时(在计算梯度之后)将添加(过去迭代步骤的)先前更新向量的一小部分。 5 regularization 正则化(超参数weight_prior)是一种通过在损失函数中添加额外项来防止神经网络过拟合的技术。它的工作原理是惩罚大权重即将权重推向零。简单地说正则化倾向于更简单的模型这些模型不太可能适合训练数据中的噪声并且泛化得更好。在HALCON中正则化是通过参数weight_prior控制的。别名正则化参数权重衰减参数。
