OpenMMLab实战营第二课打卡

梳理

1. 图像分类概述

对图像分类数学原理进行介绍，并讲述了视觉任务的难点，图像分类是让机器从数据中进行学习。

2. 卷积神经网络

介绍AlexNet、VGG、GoogLeNet、ResNet网络模型，并讲述了精度退化问题。

3. 更强的图像分类模型

介绍神经结构搜索、ConvNeXt等

4. 轻量化卷积神经网络

讲述卷积运算基本原理，并对GoogLeNet和ResNet等模型的卷积通道进行了讲解。

5. Vision Transformers

讲述注意力机制的原理和实现，并介绍了Swin Transformers模型。

6. 模型学习

对监督学习和自监督学习进行简要介绍。

7. 监督学习

讲述交叉熵损失、随机梯度下降等知识。

8. 学习率与优化器策略

将学习率对训练的影响以及其具体策略进行讲解。

9. 数据增强

对数据增强概念，以及组合数据增强、标签平滑等知识进行详细叙述。

心得

通过本节课知识的学习，了解了深度学习的基本策略，对图像分类的发展以及影响重大的网络模型有了基础的了解，加深了对底层数学原理的理解。