联系方式:[email protected]
- 动手学深度学习(李沐)https://courses.d2l.ai/zh-v2/
- kaggle网站:https://www.kaggle.com/learn/computer-vision
- Tensorflow网站:https://tensorflow.google.cn/tutorials?hl=zh_cn
- Keras网站:https://keras.io/
- Keas视频教程:https://www.bilibili.com/video/BV1TW411Y7HU?spm_id_from=333.999.0.0
- Pytorch视频教程:https://www.bilibili.com/video/BV1Zv4y1o7uG?share_source=copy_web
- 其他资源
- 环境配置与安装说明
- 安装anaconda3配置keras环境,conda create -n kears gdal=3 python=3.6
- 根据显卡型号配备的cuda和cudnn, 20系和tesla系显卡cuda10即可,因此可同时配置tf1及tf2,30系显卡需要cuda11,必须配置tf2
- 安装tensorflow-gpu,keras,gdal,pandas,opencv-python,sklearn,scikte-image,matplotlib,Image,pillow,jupyterr等库, pip instal ×××
- 安装vscode,其他可选(jupyter notebook,spyder,pycharm),重装需要删除C:\Users\jason\AppData\Roaming\Code和C:\Users\jason\.vscode
- tf2整合了keras注意框架的差异tf.keras和Keras区别
- 深度学习概述
- 深度学习的进展
- 深度学习是热点,面向对象是主流,人工解译是常态
- 网络框架与模型不断迭代
- 深入行业占领易达高地向深部进军
- 计算机视觉牵引应用行业发展
- 深度学习的困境
- 数据匮乏小样本问题
- 数据标记难度大
- 业务场景结合专家知识模型化
- 模型过拟合与泛化
- 模型优化与算力
- 可解释性不足
- 缺少成熟商用软件系统
- 深度学习的发展方向
- 由监督-非监督发展(自编码)
- 由大样本-小样本发展(gan,场景模拟)
- 由大模型-小模型发展(轻量化设计-剪枝)
- 由数据驱动-知识与数据驱动融合发展(知识模型化)
- 由黑盒-灰盒发展(可解释性研究)
- 由小作坊-工程化发展(云计算)
- 深度学习的学习思路
- 机器学习基础知识
- python基础操作
- tf,keras,pytorch框架学习
- 经典网络结构单元学习
- 经典网络复现
- 大量数据集和消融实验实战
- 网络设计与效率精度提升
- 根据应用需求开展工程应用
- 深度学习的进展
- 深度学习实战
-
案例1-手写字体识别:熟悉keras框架
- 数据加载及标准化处理
- 函数式和贯通式模型构建
- 卷积的维度
- 模型训练及预测
- 模型保存和加载
- 练习任务1:构建更深的网络训练更好的模型
- 练习任务2:学习纯numpy构建简单的多层感知机实现分类
- 练习任务3:用二维卷积构建网络实现对手写图片的分类
-
案例2-海冰分割:构建unet网络
- png格式图片数据读取及预处理
- unet模型构建
- 模型超参数设置
- 训练数据输出与成图
- 练习任务1:运用ImageDataGenerator对数据进行增广
- 练习任务2: 构建自定义generator分别实现对数据实体和数组的分批读取
- 练习任务3:优化unet模型
-
案例3-遥感地物识别:熟悉deeplabV3及精度评价
- 数据下载链接 提取码:1111
- 熟悉深度学习模型库的架构
- 熟悉遥感数据切片方案
- 熟悉deeplab V3网络
- 熟悉分类精度评价方法
- 练习任务1: 替换不同的backbone进行消融实验
- 练习任务2: 改进decoder重构策略
-
案例4-高光谱分类实验:构建CbrrUnet网络完成地物识别和评价
- 数据下载链接:请联系作者([email protected])
- 了解遥感数据读写方法
- 半自动交互式样本集构建
- 高光谱处理技术
- 大区域目标推理策略
- 练习任务1: 与unet模型开展对比试验
- 练习任务2: 通过修改loss提升多分类性能
-