响应式网站概况,怎么制作三屏壁纸,阿里云 wordpress,一般设计网站页面用什么软件做目录
一、机器视觉
1.1 应用场景
1.2 常见的计算机视觉任务
1.2.1 图像分类
1.2.2 目标检测
1.2.3 图像分割
二、自然语言处理
三、推荐系统
3.1 常用的推荐系统算法实现方案
四、图像分类实验补充
4.1 CIFAR-100 数据集实验
实验代码
4.2 CIFAR-10
实验代码 深…目录
一、机器视觉
1.1 应用场景
1.2 常见的计算机视觉任务
1.2.1 图像分类
1.2.2 目标检测
1.2.3 图像分割
二、自然语言处理
三、推荐系统
3.1 常用的推荐系统算法实现方案
四、图像分类实验补充
4.1 CIFAR-100 数据集实验
实验代码
4.2 CIFAR-10
实验代码 深度学习的应用领域广泛且多样涵盖了计算机视觉、自然语言处理、推荐系统等多个领域。
一、机器视觉
1.1 应用场景
计算机视觉Computer Vision又称机器视觉Machine Vision是一门让机器学会如何去“看”的学科是深度学习技术的一个重要应用领域被广泛应用于安防、工业质检和自动驾驶等场景。具体来说就是让机器去识别摄像机拍摄的图片或视频中的物体检测出物体所在的位置并对目标物体进行跟踪从而理解并描述出图片或视频里的场景和故事以此来模拟人脑视觉系统。因此计算机视觉也通常被叫做机器视觉其目的是建立能够从图像或者视频中“感知”信息的人工系统。
计算机视觉技术经过几十年的发展已经在交通车牌识别、道路违章抓拍、安防人脸闸机、小区监控、金融刷脸支付、柜台的自动票据识别、医疗医疗影像诊断、工业生产产品缺陷自动检测等多个领域应用影响或正在改变人们的日常生活和工业生产方式。未来随着技术的不断演进必将涌现出更多的产品和应用为我们的生活创造更大的便利和更广阔的机会。 1.2 常见的计算机视觉任务
1.2.1 图像分类
图像分类利用计算机对图像进行定量分析把图像或图像中的像元或区域划分为若干个类别中的某一种。以下是一些常见的图像分类算法 1.2.2 目标检测
对计算机而言能够“看到”的是图像被编码之后的数字但它很难理解高层语义概念比如图像或者视频帧中出现的目标是人还是物体更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别并在该目标周围绘制边界框标示出每个目标的位置。目标检测应用场景覆盖广泛如安全帽检测、火灾烟雾检测、人员摔倒检测、电瓶车进电梯检测等。
以下是一些常见的目标检测算法 1.2.3 图像分割
图像分割指的是将数字图像细分为多个图像子区域的过程即对图像中的每个像素加标签这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的目的是简化或改变图像的表示形式使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界线、曲线等。图像分割的领域非常多如人像分割、车道线分割、无人车、地块检测、表计识别等。 以下是一些常见的图像分割算法 U-Net DeepLabv3 PSPNet GSCNN HRNet PP-LiteSeg PP-HumanSeg PP-Matting 二、自然语言处理
自然语言处理Natural Language Processing简称 NLP是计算机科学和人工智能领域的一个重要方向。它主要研究人与计算机之间使用自然语言进行有效通信的各种理论和方法。简单来说计算机以用户的自然语言数据作为输入在其内部通过定义的算法进行加工、计算等系列操作后用以模拟人类对自然语言的理解再返回用户所期望的结果。
随着计算机和互联网技术的发展自然语言处理技术在各领域广泛应用我们平时常用的搜索引擎、新闻推荐、智能音箱等产品都是以自然语言处理技术为核心的互联网和人工智能产品。 三、推荐系统
互联网和信息计算的快速发展衍生了海量的数据我们已经进入了一个信息爆炸的时代每时每刻都有海量信息产生然而这些信息并不全是个人所关心的用户从大量的信息中寻找对自己有用的信息也变得越来越困难。另一方面信息的生产方也在绞尽脑汁地把用户感兴趣的信息送到用户面前每个人的兴趣又不尽相同所以可以实现千人千面的推荐系统应运而生。简单来说推荐系统是根据用户的浏览习惯确定用户的兴趣通过发掘用户的行为将合适的信息推荐给用户满足用户的个性化需求帮助用户找到对他胃口但不易找到的信息或商品。
推荐系统在互联网和传统行业中都有着大量的应用。在互联网行业几乎所有互联网平台都应用了推荐系统如资讯新闻、影视剧、知识社区的内容推荐、电商平台的商品推荐等在传统行业中有些用于企业的营销环节如银行的金融产品推荐、保险公司的保险产品推荐等。
3.1 常用的推荐系统算法实现方案 协同过滤推荐Collaborative Filtering Recommendation 基于用户的协同过滤根据用户的历史喜好分析出相似兴趣的人然后给用户推荐其他人喜欢的物品。例如小李和小张对物品 A、B 都给了十分好评那么可以认为小李和小张具有相似的兴趣爱好如果小李给物品 C 十分好评那么可以把 C 推荐给小张。 基于物品的协同过滤根据用户的历史喜好分析出相似物品然后给用户推荐同类物品。例如小李对物品 A、B、C 给了十分好评小王对物品 A、C 给了十分好评从这些用户的喜好中分析出喜欢 A 的人都喜欢 C物品 A 和 C 是相似的如果小张给了 A 好评那么可以把 C 也推荐给小张。 基于内容过滤推荐Content-based Filtering Recommendation 核心是衡量出两个物品的相似度。首先对物品或内容的特征作出描述发现其相关性然后基于用户以往的喜好记录推荐给用户相似的物品。例如小张对物品 A 感兴趣而物品 A 和物品 C 是同类物品从物品的内容描述上判断可以把物品 C 也推荐给小张。 组合推荐Hybrid Recommendation 实际应用中往往不只采用某一种推荐方法而是通过一定的组合方法将多个算法混合在一起以实现更好的推荐效果比如加权混合、分层混合等。具体选择哪种方式和应用场景有很大关系。 四、图像分类实验补充
4.1 CIFAR-100 数据集实验
CIFAR-100 数据集有 100 个类别每个类别有 600 张大小为 32×32 的彩色图像其中 500 张作为训练集100 张作为测试集。对于每一张图像它有 fine_labels 和 coarse_labels 两个标签分别代表图像的细粒度和粗粒度标签。对应下图中的 classes 和 superclass。 也就是说 CIFAR100 数据集是层次的。 实验代码
# python --version 3.8.10
# PyTorch --version 2.3.1
# torchvision --version 0.18.1
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR100# 定义超参数
num_epochs 5
batch_size 64
learning_rate 0.001kernel_size 5
image 32# 数据增强
# transform_train transforms.Compose([
# transforms.RandomHorizontalFlip(),
# transforms.RandomCrop(32, padding4),
# transforms.ToTensor(),
# transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
# ])
#
# transform_test transforms.Compose([
# transforms.ToTensor(),
# transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
# ])
# # 加载和预处理数据
# train_dataset CIFAR100(root./, trainTrue, transformtransform_train, downloadFalse)
# test_dataset CIFAR100(root./, trainFalse, transformtransform_test, downloadFalse)# 加载和预处理数据
train_dataset CIFAR100(root./, trainTrue, transformtransforms.ToTensor(), downloadFalse)
test_dataset CIFAR100(root./, trainFalse, transformtransforms.ToTensor(), downloadFalse)
train_loader DataLoader(datasettrain_dataset, batch_sizebatch_size, shuffleTrue)
test_loader DataLoader(datasettest_dataset, batch_sizebatch_size, shuffleFalse)# 定义CNN模型
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 nn.Conv2d(in_channels3, out_channels6, kernel_size5, padding2, stride1)self.relu1 nn.ReLU()self.pool1 nn.MaxPool2d(kernel_size2, stride2)self.conv2 nn.Conv2d(in_channels6, out_channels16, kernel_size5)self.relu2 nn.ReLU()self.pool2 nn.MaxPool2d(kernel_size2, stride2)self.fc1 nn.Linear(in_features16*6*6, out_features100)def forward(self, x):x self.pool1(self.relu1(self.conv1(x)))x self.pool2(self.relu2(self.conv2(x)))x x.view(-1, 16*6*6) # Flattenx self.fc1(x)return x# 训练模型
def train(model, train_loader, optimizer, criterion, epochs):model.train()for epoch in range(epochs):for i, (images, labels) in enumerate(train_loader):optimizer.zero_grad()outputs model.forward(images)loss criterion(outputs, labels)loss.backward()optimizer.step()if i % 100 0:print(fEpoch [{epoch 1}/{epochs}], step {i 1}/{len(train_loader)}, Loss: {loss.item()})# 测试模型
def predict(model, test_loader):model.eval()correct 0total 0with torch.no_grad():for images, labels in test_loader:outputs model.forward(images)_, predicted torch.max(outputs.data, 1)total labels.size(0)correct (predicted labels).sum().item()print(fAccuracy on test set: {100 * correct / total:.2f}%)# 初始化模型、损失函数和优化器
model CNN()
criterion nn.CrossEntropyLoss()
optimizer optim.Adam(model.parameters(), lrlearning_rate)# 训练并测试模型
train(model, train_loader, optimizer, criterion, epochsnum_epochs)# 模型保存并测试
torch.save(model.state_dict(), cnn_state_dict.pth)# 加载模型
model CNN()
model.load_state_dict(torch.load(cnn_state_dict.pth))
predict(model, test_loader)4.2 CIFAR-10
CIFAR-10 数据集是一个用于普适物体识别的计算机视觉数据集 包含 60000张 32x32 的 RGB 彩色图片 总共分为 10 个类别。 每个类别包含 6000 张图像 其中 50000 张用于训练集 10000 张用于测试集。 实验代码
# python --version 3.8.10
# PyTorch --version 2.3.1
# torchvision --version 0.18.1
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR10# 定义超参数
num_epochs 1
batch_size 64
learning_rate 0.001# 加载和预处理数据
train_dataset CIFAR10(root./, trainTrue, transformtransforms.ToTensor(), downloadFalse)
test_dataset CIFAR10(root./, trainFalse, transformtransforms.ToTensor(), downloadFalse)
train_loader DataLoader(datasettrain_dataset, batch_sizebatch_size, shuffleTrue)
test_loader DataLoader(datasettest_dataset, batch_sizebatch_size, shuffleFalse)# 定义CNN模型
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__()self.conv1 nn.Conv2d(in_channels3, out_channels6, kernel_size5, padding2, stride1)self.relu1 nn.ReLU()self.pool1 nn.MaxPool2d(kernel_size2, stride2)self.conv2 nn.Conv2d(in_channels6, out_channels16, kernel_size5)self.relu2 nn.ReLU()self.pool2 nn.MaxPool2d(kernel_size2, stride2)self.fc1 nn.Linear(in_features16*6*6, out_features10)def forward(self, x):x self.pool1(self.relu1(self.conv1(x)))x self.pool2(self.relu2(self.conv2(x)))x x.view(-1, 16*6*6) # Flattenx self.fc1(x) #会自动加softmaxreturn x# 训练模型
def train(model, train_loader, optimizer, criterion, epochs):model.train()for epoch in range(epochs):for i, (images, labels) in enumerate(train_loader):optimizer.zero_grad()outputs model.forward(images)loss criterion(outputs, labels)loss.backward()optimizer.step()if i % 100 0:print(fEpoch [{epoch 1}/{epochs}], step {i 1}/{len(train_loader)}, Loss: {loss.item()})# 测试模型
def predict(model, test_loader):model.eval()correct 0total 0with torch.no_grad():for images, labels in test_loader:outputs model.forward(images)_, predicted torch.max(outputs.data, 1)total labels.size(0)correct (predicted labels).sum().item()print(fAccuracy on test set: {100 * correct / total:.2f}%)# 初始化模型、损失函数和优化器
model CNN()
criterion nn.CrossEntropyLoss()
optimizer optim.Adam(model.parameters(), lrlearning_rate)# 训练并测试模型
train(model, train_loader, optimizer, criterion, epochsnum_epochs)# 模型保存并测试
torch.save(model.state_dict(), cnn_state_dict.pth)# 加载模型
model CNN()
model.load_state_dict(torch.load(cnn_state_dict.pth))
predict(model, test_loader)
