食用指南

1.所有笔记和感想都在K-lab的jupyter里,由二级及以上标题且以注释两字开头,部分代码有注释,会先放出链接,需要的自取。
2.课后练习会放上题目和自己的答案解析(纯属瞎编,看看就好)

图像分类案例2

1.K-lab链接:https://www.kesci.com/org/boyuai/project/share/fe32cea9ff1609eb
2.课后练习

对于本节课中整理数据集后得到的train、valid、train_valid和test数据集,下列说法中错误的是:
A. 找到一组合适的超参数后,用train_valid重新训练网络
B. 可以利用train_valid数据集训练模型,通过观察在test数据集上的损失与准确率来调整超参数
C. 可以利用train数据集训练模型,通过观察在valid数据集上的损失与准确率来调整超参数
D. train和valid中对应的各个类别的样本比例应该相近
参考答案:C

解析:测试集调整模型参数会导致模型过拟合。

关于微调ResNet-34预训练模型进行图像分类的做法,下列说法中错误的是:
A. 图像的类别发生变化,需要替换输出层
B. 由于我们不希望改变模型的特征提取部分的参数,所以可以对该部分参数设置requires_grad = False
C. 如果没有对模型的特征提取部分的参数设置requires_grad = False,则模型无法训练
D. 定义优化器时,只需传入输出层部分的模型参数
参考答案:C

解析:ResNet-34预训练模型会自动设置默认参数,所以可以训练。

GAN

1.K-lab链接:https://www.kesci.com/org/boyuai/project/share/caa4645d5f7c8873

2.课后练习

关于生成对抗神经网络描述正确的是:
A. 网络结构中只有一个神经网络
B. 生成对抗神经网络中的D(判别器)网络是一个回归模型
C. 不仅仅能用来生成图片
D. 训练过程中只有G(生成器)网络的参数会得到更新
参考答案:C

解析:不仅仅能用来生成图片,还能生成文字,视频等等,A选项网络结构中应该有两个神经网络,一个是生成器,一个是对抗器也叫判别器,判别器是一个分类模型,训练过程种G和D都会不断更新。

关于生成对抗神经网络,以下细节描述错误的是:
A. 判别器的输入不仅仅有数据集中的真实数据
B. 生成对抗神经网络的思想是让生成器能生成以假乱真的数据
C. 实际训练中判别器使用的损失函数是 minD{-ylogD(x)-(1-y)log(1-D(x))}
D. 实际训练中生成器使用的损失函数是 maxG{-(1-y)log(1-D(G(z)))}
参考答案:D

解析:没看视频的我表示不知道改了哪里。

DCGAN

1.K-lab链接:https://www.kesci.com/org/boyuai/project/share/89f61a41831cacc4

2.课后练习

*这章没有仔细看,课后练习全错,所以。。。

标签: none

添加新评论