开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在cifar 10数据集上训练cnn时，PC死机

可能是由于以下几个原因导致的：

硬件问题：PC死机可能是由于硬件故障引起的，例如过热、电源问题、内存故障等。建议检查硬件是否正常工作，确保电脑的散热良好，内存和电源稳定可靠。
软件问题：PC死机也可能是由于软件冲突、驱动程序问题或操作系统错误引起的。建议确保操作系统和驱动程序是最新版本，并且没有冲突。可以尝试重新安装相关软件或驱动程序，或者进行系统修复。
训练过程中的资源耗尽：训练深度神经网络需要大量的计算资源和内存。如果PC配置较低，可能会导致资源耗尽而导致死机。建议使用更高配置的PC或者使用云计算平台来进行训练，以确保有足够的资源支持。
代码或参数问题：训练过程中的代码错误或者不合适的参数设置也可能导致PC死机。建议检查代码是否正确、参数是否合理，并进行适当的调整和优化。

对于解决PC死机问题，可以尝试以下方法：

检查硬件：确保电脑的硬件正常工作，包括散热、内存、电源等方面。
更新软件和驱动程序：确保操作系统和相关驱动程序是最新版本，并且没有冲突。
调整训练参数：根据PC的配置和资源情况，适当调整训练参数，例如批量大小、学习率等，以减少资源占用。
使用云计算平台：考虑使用云计算平台进行训练，以获得更高的计算资源和稳定性。
优化代码：检查代码是否存在错误或低效的部分，并进行优化，以减少资源占用和提高训练效率。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算产品：https://cloud.tencent.com/product
腾讯云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云弹性伸缩（Auto Scaling）：https://cloud.tencent.com/product/as
腾讯云容器服务（TKE）：https://cloud.tencent.com/product/tke
腾讯云人工智能平台（AI Lab）：https://cloud.tencent.com/product/ai
腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链服务（Tencent Blockchain）：https://cloud.tencent.com/product/tbc

相关搜索:Cifar10数据集拟合错误上的AutoEncoder 使用在不同数据集上训练的cnn模型在自己的数据集上训练MXNet Faster R-CNN 基于CIFAR10 dataset类创建数据集时出错在PyTorch中使用预训练的ResNet50求解CIFAR10数据集的问题在bert上训练新数据集为什么VGG-16在CIFAR-10数据集上表现不佳？使用大数据集在Spark上训练BloomFilter 如何使用Tensorflow 2.0数据集在训练时执行10个裁剪图像增强 GPU在训练大型数据集时内存不足在CPU上使用mobilenetv2的cifar10数据集未获得正确的准确性在MPII人体姿态数据集上训练Keras分类器如何在我的数据集上为NVIDIA Jetson Nano训练更快的R-CNN (TensorRT)为什么我的数据集在训练时减少了？在训练实例分割时，在图像数据集上创建增强的最佳方法是什么？在多个数据集上训练Google-Cloud-Automl模型在训练数据上拟合模型时没有错误，但在测试集上预测时出现NotFittedError MNIST数据集上的可变图像输入分辨率问题(使用CNN时)为什么我不能提高CNN在时尚MNIST数据集上的性能？在新数据集上应用CNN .h5格式模型

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

数据增强方法 | 基于随机图像裁剪和修补的方式（文末源码共享）

深度卷积神经网络(CNNs)在图像处理中取得了显著的效果。然而，他们的高表达能力有过度适应的风险。因此，提出了在丰富数据集的同时防止过度拟合的数据增强技术。最新的CNN体系结构具有更多的参数，使得传统的数据增强技术显得不足。

02

[深度思考]·探究训练集样本不平衡问题对CNN的影响与解决方法（转）

卷积神经网络（CNN）可以说是目前处理图像最有力的工具了。而在机器学习分类问题中，样本不平衡又是一个经常遇到的问题。最近在使用CNN进行图片分类时，发现CNN对训练集样本不平衡问题很敏感。在网上搜索了一下，发现这篇文章对这个问题已经做了比较细致的探索。于是就把它简单整理了一下，相关的记录如下。

02

深度 | 利用进化方法自动生成神经网络：深度进化网络DENSER

选自CISUC 作者：Filipe Assunção 等机器之心编译参与：程耀彤、李泽南在为特定任务构建神经网络算法时，想要达到最佳性能需要大量的设计和手动调整。葡萄牙科英布拉大学计算设计和可视化实验室的研究者们利用进化算法的策略提出了深度进化网络结构表征（DENSER），可以自动进行多层深度神经网络的结构设计和参数调优，在没有先验知识的情况下，该方法生成的神经网络达到了业内最佳性能。论文：DENSER: Deep Evolutionary Network Structured Representa

05

视觉实战｜使用人工神经网络进行图像分类

SPCA每年要收养7000到9000只动物，其中有一半是抛弃的宠物，例如猫，狗，兔子和豚鼠等。识别这些宠物需要一定的时间，可能会增加等待收养的时间。

01

深度学习模型在图像识别中的应用：CIFAR-10数据集实践与准确率分析

图像识别一直是人工智能领域的热门研究方向之一。深度学习模型在图像识别中的应用已经取得了显著的进展，使计算机能够像人一样理解和分类图像。本文将介绍如何使用深度学习模型来识别CIFAR-10数据集中的图像，并对模型的准确率进行分析。

01

【AI初识境】近20年深度学习在图像领域的重要进展节点

这是专栏《AI初识境》的第3篇文章。所谓初识，就是对相关技术有基本了解，掌握了基本的使用方法。

04

超级干货 | 用万字文章总结25种正则化方法（值得收藏）

卷积神经网络已经在一些与计算机视觉相关的任务上取得了相当不错的结果，如图像分类和目标检测。这种成功可以用卷积神经元的工作原理来解释：它根据图像的空间属性来突出给定的特征。浅层网络注意是归纳一些形状或者纹理特征;然而，更深层次的网络可以检测出更复杂更抽象的特征，比如整个物体或人脸。如今，从生物识别到疾病检测，很难找到其他没有CNN的计算机视觉技术。

03

从像素到洞见：图像分类技术的全方位解读

图像分类，作为计算机视觉的一个基础而关键的领域，其历史可以追溯到20世纪60年代。早期，图像分类的方法主要基于简单的图像处理技术，如边缘检测和颜色分析。这些方法依赖于手工提取的特征和线性分类器，如支持向量机（SVM）和决策树。这一时期，虽然技术相对原始，但为后来的发展奠定了基础。

01

使用Keras集成卷积神经网络的入门级教程

在统计学和机器学习中，组合使用多种学习算法往往比单独的任何的学习算法更能获得好的预测性能。与统计力学中的统计集成不同（通常是无穷大），机器学习的集成由具体的有限的替代模型集合构成，但通常在这些备选方案中存在更灵活的结构。使用集成主要是为了找到一个不一定包含在它所建立的模型的假设空间内的假设。从经验来看，当模型之间存在差异显著时，集成通常会产生更好的结果。动机如果你看过一些大型机器学习竞赛的结果，你很可能会发现，最好的结果是往往是由集成模型取得而不是由单一模型来实现。例如，ILSVRC2015（201

05

不看全图看局部，CNN性能竟然更强了

点击上方↑↑↑“OpenCV学堂”关注我来源：公众号量子位授权不给全图，只投喂CNN一些看上去毫无信息量的图像碎片，就能让模型学会图像分类。更重要的是，性能完全不差，甚至还能反超用完整图像训练的模型。这么一项来自加州大学圣塔芭芭拉分校的新研究，这两天引发不少讨论。咋地，这就是说，CNN根本无需理解图像全局结构，一样也能SOTA？具体是怎么一回事，咱们还是直接上论文。实验证据研究人员设计了这样一个实验：他们在CIFAR-10、CIFAR-100、STL-10、Tiny-ImageNe

01

R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化

本文演示了训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用 Keras Sequential API，因此创建和训练我们的模型只需几行代码。

02

图像分类 | 深度学习PK传统机器学习

图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。

图像分类 | 深度学习PK传统机器学习

图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实

09

第七章（1.3）图像处理—— 深度学习PK传统机器学习

原文：Image Classification in 5 Methods https://medium.com/towards-data-science/image-classification-in-5-methods-83742aeb3645

03

图像分类 | 深度学习PK传统机器学习

图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。

02

计算机视觉怎么给图像分类？KNN、SVM、BP神经网络、CNN、迁移学习供你选（附开源代码）

原文：Medium 作者：Shiyu Mou 来源：机器人圈本文长度为4600字，建议阅读6分钟本文为你介绍图像分类的5种技术，总结并归纳算法、实现方式，并进行实验验证。图像分类问题就是从固定的一组分类中，给输入图像分配标签的任务。这是计算机视觉的核心问题之一，尽管它看似简单，却在实际生活中有着各种各样的应用。传统方式：功能描述和检测。也许这种方法对于一些样本任务来说是比较好用的，但实际情况却要复杂得多。因此，我们将使用机器学习来为每个类别提供许多示例，然后开发学习算法来查看这些示例

业界 | MXNet开放支持Keras，高效实现CNN与RNN的分布式训练

作者：Lai Wei、Kalyanee Chendke、Aaron Markham、Sandeep Krishnamurthy 机器之心编译参与：路、王淑婷今日 AWS 发布博客宣布 Apache MXNet 已经支持 Keras 2，开发者可以使用 Keras-MXNet 深度学习后端进行 CNN 和 RNN 的训练，安装简便，速度提升，同时支持保存 MXNet 模型。感谢 Keras 和 Apache MXNet（孵化）开源项目的贡献者，Keras-MXNet 深度学习后端现已可用。地址：ht

03

不看全图看局部，CNN性能竟然更强了

鱼羊发自凹非寺量子位 | 公众号 QbitAI 不给全图，只投喂CNN一些看上去毫无信息量的图像碎片，就能让模型学会图像分类。更重要的是，性能完全不差，甚至还能反超用完整图像训练的模型。这么一项来自加州大学圣塔芭芭拉分校的新研究，这两天引发不少讨论。咋地，这就是说，CNN根本无需理解图像全局结构，一样也能SOTA？具体是怎么一回事，咱们还是直接上论文。实验证据研究人员设计了这样一个实验：他们在CIFAR-10、CIFAR-100、STL-10、Tiny-ImageNet-200以及I

02

使用度量学习进行特征嵌入：交叉熵和监督对比损失的效果对比

分类是机器学习中最简单，最常见的任务之一。例如，在计算机视觉中，您希望能够微调普通卷积神经网络（CNN）的最后一层，以将样本正确分类为某些类别（类）。但是，有几种根本不同的方法可以实现这一目标。

02

图像分类 | 深度学习PK传统机器学习

原文：Image Classification in 5 Methods https://medium.com/towards-data-science/image-classification-in-5-methods-83742aeb3645 作者：Shiyu Mou 翻译：何冰心图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的

02

【深度学习】基于代码一步一步教你深度学习中卷积神经网络(CNN)的原理

当谈到基于CNN的深度学习例子时，图像分类是最常见的任务之一。CNN（卷积神经网络）在图像处理任务中表现出色，能够自动学习图像的特征表示。以下是一个基于CNN的图像分类示例，并给每一行添加了注释：

01

ViT终于有挑战 MobileNet 的勇气了 | HSViT用更少的参数，干翻 MobileNet/EfficientNe！

Vision Transformer, 图像级特征嵌入, 水平扩展, 卷积神经网络, 计算机视觉需要对ViTs进行预训练，因为它们缺乏与卷积神经网络（CNNs）中存在的类似的归纳偏置。特别是，CNNs内在地结合了多种归纳偏置，使它们适合于计算机视觉（CV）任务，如平移不变性、空间局部性和层次化特征学习。

01

MXNet 宣布支持 Keras 2，可更加方便快捷地实现 CNN 及 RNN 分布式训练

AI 研习社按，近期，AWS 表示 MXNet 支持 Keras 2，开发者可以使用 Keras-MXNet 更加方便快捷地实现 CNN 及 RNN 分布式训练。AI 研习社将 AWS 官方博文编译如下。

07

迁移学习、自监督学习理论小样本图像分类和R语言CNN深度学习卷积神经网络实例

您想构建一个没有太多训练数据的机器学习模型吗？众所周知，机器学习需要大量数据，而收集和注释数据需要时间且成本高昂。

02

学界 | 一文概览卷积神经网络中的类别不均衡问题

选自arXiv 作者：Mateusz Buda等参与：Nurhachu Null、刘晓坤该论文的作者以两种典型的不均衡为例，系统地研究并比较了解决 CNN 中类别不均衡问题的各种方法，在三个常用

08

教程 | 如何使用Keras集成多个卷积网络并实现共同预测

选自TowardsDataScience 机器之心编译参与：刘晓坤、黄小天在统计学和机器学习领域，集成方法（ensemble method）使用多种学习算法以获得更好的预测性能（相比单独使用其中任何一种算法）。和统计力学中的统计集成（通常是无穷集合）不同，一个机器学习集成仅由一个离散的可选模型的离散集合组成，但通常拥有更加灵活的结构 [1]。 GitHub 地址：https://github.com/LawnboyMax/keras_ensemblng 使用集成的主要动机是在发现新的假设，该假设不一定存

07

针对深度学习的“失忆症”，科学家提出基于相似性加权交错学习，登上PNAS

大数据文摘转载自AI科技评论作者：Rajat Saxena et al. 编译：bluemin 编辑：陈彩娴与人类不同，人工神经网络在学习新事物时会迅速遗忘先前学到的信息，必须通过新旧信息的交错来重新训练；但是，交错全部旧信息非常耗时，并且可能没有必要。只交错与新信息有实质相似性的旧信息可能就足够了。近日，美国科学院院报（PNAS）刊登了一篇论文，“Learning in deep neural networks and brains with similarity-weighted interlea

01

针对深度学习的“失忆症”，科学家提出基于相似性加权交错学习

大数据文摘授权转载自AI科技评论作者：Rajat Saxena et al. 编译：bluemin 编辑：陈彩娴与人类不同，人工神经网络在学习新事物时会迅速遗忘先前学到的信息，必须通过新旧信息的交错来重新训练；但是，交错全部旧信息非常耗时，并且可能没有必要。只交错与新信息有实质相似性的旧信息可能就足够了。近日，美国科学院院报（PNAS）刊登了一篇论文，“Learning in deep neural networks and brains with similarity-weighted interl

01

针对深度学习的“失忆症”，科学家提出基于相似性加权交错学习，登上PNAS

与人类不同，人工神经网络在学习新事物时会迅速遗忘先前学到的信息，必须通过新旧信息的交错来重新训练；但是，交错全部旧信息非常耗时，并且可能没有必要。只交错与新信息有实质相似性的旧信息可能就足够了。近日，美国科学院院报（PNAS）刊登了一篇论文，“Learning in deep neural networks and brains with similarity-weighted interleaved learning”，由加拿大皇家学会会士、知名神经科学家 Bruce McNaughton 的团队发表。

02

针对深度学习的“失忆症”，科学家提出基于相似性加权交错学习

来源：AI科技评论本文约9600字，建议阅读15分钟本文介绍了神经科学和机器学习的进一步发展。与人类不同，人工神经网络在学习新事物时会迅速遗忘先前学到的信息，必须通过新旧信息的交错来重新训练；但是，交错全部旧信息非常耗时，并且可能没有必要。只交错与新信息有实质相似性的旧信息可能就足够了。近日，美国科学院院报（PNAS）刊登了一篇论文，“Learning in deep neural networks and brains with similarity-weighted interleaved lea

02

合成特朗普的西班牙语演讲，新研究实现跨语言语音克隆 | 一周AI最火论文

呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！

01

深度进化网络结构表示：利用进化计算自动设计人工神经网络

深度进化网络结构表示（DENSER）是一种利用进化计算自动设计人工神经网络(ANNs)的新方法。该算法不仅搜索最优的网络拓扑（network topology），而且还对超参数(如学习或数据扩充参数)

08

手把手搭建一个【卷积神经网络】

本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对10种常见的物体进行识别分类；使用到CIFAR10数据集，它包含10 类，即：“飞机”，“汽车”，“鸟”，“猫”，“鹿”， “狗”，“青蛙”，“马”，“船”，“卡车” ；共 60000 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“汽车”，或“鸟”，还是其它。

03

视觉分类任务中处理不平衡问题的loss比较

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 在计算机视觉（CV）任务里常常会碰到类别不平衡的问题，例如： 1. 图片分类任务，有的类别图片多，有的类别图片少 2. 检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。训练时正负anchor的比例很悬殊. 3. 分割任务，背景像素数量通常远大于前景像素。从实质上来讲，它们可以归类成分类问题中的类别不平衡问题：对图片/anchor/像素的分类。再者，除了类不平衡问题，还有easy sam

02

CNN模型识别cifar数据集

构建简单的CNN模型识别cifar数据集。经过几天的简单学习，尝试写了一个简单的CNN模型通过cifar数据集进行训练。效果一般，测试集上的的表现并不好，说明模型的构建不怎么样。

01

麻省理工 | ProxylessNAS自动为目标任务和硬件定制高效CNN结构(文末论文及源码)

今天分享的这篇文章主要解决NAS代理机制下无法搜索到全局最优的问题，改进搜索策略，一定程度上解决资源消耗的问题。其主要是基于DARTs改的，那就先谈谈DARTs的一些问题：

01

麻省理工HAN Lab | ProxylessNAS自动为目标任务和硬件定制高效CNN结构(文末论文及源码)

今天分享的这篇文章主要解决NAS代理机制下无法搜索到全局最优的问题，改进搜索策略，一定程度上解决资源消耗的问题。其主要是基于DARTs改的，那就先谈谈DARTs的一些问题：

02

基于分形结构的极深神经网络，超越 ImageNet 2015 冠军 ResNet（附论文下载）

【新智元导读】ResNet 是 ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比 CNN 更加强大。于是有人认为残差结构对此很重要，本文提出一个不依赖于残差的极深（Ultra-Deep）架构，指出残差学习对极深 CNN 并非必需。论文提出了极深 CNN 中首个 ResNet 的替代品 FractalNet ，并开发了一种新的正则化规则，无需数据增强就能大幅超越残差网络性能。作者称该结构可以自动容纳过去已有的强大结构。【题目】分形网络：无残差的极深神经网络（FractalN

04

使用用测试时数据增强（TTA）提高预测结果

当使用拟合模型进行预测时，也可以应用图像数据增强技术，以允许模型对测试数据集中每幅图像的多个不同版本进行预测。对增强图像的预测可以取平均值，从而获得更好的预测性能。

02

【图像分类】标签噪声对分类性能会有什么样的影响？

不同类型的噪声会对模型的分类性能产生什么样的影响呢，让我们一同进行实验，来探索那暗中作祟的标签噪声！

01

学界 | 浙大川大提出脉冲版ResNet：继承ResNet优势，实现当前最佳

作者：Yangfan Hu等机器之心编译参与：Geek AI、张倩脉冲神经网络（SNN）具有生物学上的合理性，并且其计算潜能和传统神经网络相同，主要障碍在于训练难度。为解决这个问题，浙江大学和四川大学近日提出了脉冲版的深度残差网络 Spiking ResNet。为解决模型转换的问题，研究者提出了一种新机制，对连续值的激活函数进行标准化，以匹配脉冲神经网络中的脉冲激发频率，并设法减少离散化带来的误差。在多个基准数据集上的实验结果表明，该网络取得了脉冲神经网络的当前最佳性能。引言研究表明，脉冲神经

08

强化学习的自然环境基准

虽然当前的基准强化学习（RL）任务对于推动这一领域的进展大有裨益，但在许多方面还不能很好地替代真实数据的学习。在低复杂度的仿真环境中测试日益复杂的RL算法，获得的RL策略难以推广。

03

从cifar10分类入门深度学习图像分类（Keras）

之前需要做一个图像分类模型，因为刚入门，拿cifar10数据集练了下手，试了几种优化方案和不同的模型效果，这里就统一总结一下这段学习经历。

01

如何使用TensorFlow实现卷积神经网络

编者按：本文节选自图书《TensorFlow实战》第五章，本书将重点从实用的层面，为读者讲解如何使用TensorFlow实现全连接神经网络、卷积神经网络、循环神经网络，乃至Deep Q-Network。同时结合TensorFlow原理，以及深度学习的部分知识，尽可能让读者通过学习本书做出实际项目和成果。卷积神经网络简介卷积神经网络（Convolutional Neural Network，CNN）最初是为解决图像识别等问题设计的，当然其现在的应用不仅限于图像和视频，也可用于时间序列信号，比如音频信号、

05

重磅开源！ ICCV 2019，华为诺亚提出无需数据网络压缩技术

华为诺亚方舟实验室联合北京大学和悉尼大学发布论文《DAFL：Data-Free Learning of Student Networks》，提出了在无数据情况下的网络蒸馏方法（DAFL），比之前的最好算法在 MNIST 上提升了 6 个百分点，并且使用 resnet18 在 CIFAR-10 和 100 上分别达到了 92% 和 74% 的准确率（无需训练数据），该论文已被 ICCV2019 接收。

02

ICLR 2018 | 清华&斯坦福提出深度梯度压缩DGC，大幅降低分布式训练网络带宽需求

选自arXiv 作者：林宇鋆、韩松等机器之心编译参与：刘晓坤来自清华大学和斯坦福大学的研究者们发现，分布式随机梯度下降训练中 99.9% 的梯度交换都是冗余的——通过他们提出的深度梯度压缩（DGC）方法，神经网络训练可以大幅降低通信带宽需求。在多个基准模型上的对比实验表明，该方法可以在不降低准确率的情况下达到 270 倍到 600 倍的梯度压缩率，使得小带宽甚至移动设备上的大规模分布式训练变为可能。作者简介林宇鋆是清华大学电子工程系 NICS 实验室 2014 级本科生，于 2017 年暑假在斯坦

08

基于有效样本的类别不平衡损失CB-Loss

本文综述了康奈尔大学、康奈尔科技、谷歌Brain和Alphabet公司的基于有效样本数的类平衡损失(CB损失)。在本文中，设计了一种重新加权的方案，利用每个类的有效样本数来重新平衡损失，称为类别平衡损失。使用每个类的有效样本数量来重新为每个类的Loss分配权重，效果优于RetinaNet中的Focal Loss。

01

如何使用Keras集成多个卷积网络并实现共同预测

在统计学和机器学习领域，集成方法（ensemble method）使用多种学习算法以获得更好的预测性能（相比单独使用其中任何一种算法）。和统计力学中的统计集成（通常是无穷集合）不同，一个机器学习集成仅由一个离散的可选模型的离散集合组成，但通常拥有更加灵活的结构 [1]。 GitHub 地址：https://github.com/LawnboyMax/keras_ensemblng 使用集成的主要动机是在发现新的假设，该假设不一定存在于构成模型的假设空间中。从经验的角度看，当模型具有显著的多样性时，集成方法倾

09

盘点 | 对比图像分类五大方法：KNN、SVM、BPNN、CNN和迁移学习

选自Medium 机器之心编译参与：蒋思源、黄小天、吴攀图像分类是人工智能领域的基本研究主题之一，研究者也已经开发了大量用于图像分类的算法。近日，Shiyu Mou 在 Medium 上发表了一篇文章，对五种用于图像分类的方法（KNN、SVM、BP 神经网络、CNN 和迁移学习）进行了实验比较，该研究的相关数据集和代码也已经被发布在了 GitHub 上。项目地址：https://github.com/Fdevmsy/Image_Classification_with_5_methods 图像分类，顾名

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭