Keras-4-深度学习用于计算机视觉-猫狗数据集训练卷积网络

news2025/2/23 12:56:23

0. 说明：

本篇学习记录主要包括：《Python深度学习》的第5章（深度学习用于计算机视觉）的第2节（在小型数据集上从头开始训练一个卷积神经网络）内容。

相关知识点：

  1. 从头训练卷积网络；
  2. 数据增强；
  3. dropout；

1. 在猫狗分类数据集上训练一个卷积神经网络:

1.1 数据集下载及划分:

下载链接：https://www.kaggle.com/c/dogs-vs-cats/data

该数据集包含25000张猫狗图片(每个类别都有 12500 张)。

本次暂时只用到其中一小部分数据：每个类别各1000个样本作为训练集，各500个样本作验证集，各500个样本作测试集。

将原始文件解压之后得到: sampleSubmission.csv, test1.zip , train.zip；将 test1.zip解压后得到 test1/，包含12500张为分类猫狗图片；train.zip解压后得到25000张带标签的猫狗分类图片。

数据集划分的结果就是：

train: cat(1000), dog(1000)

val: cat(500), dog(500)

test: cat(500), dog(500)

import os

## 将前1000张猫狗图片复制到目标目录，作为训练集
for i in range(1000):
    os.system("cp ./dogs-vs-cats/train/cat.{}.jpg ./dogs-vs-cats/small_dt/train/train_cats/".format(i))
    os.system("cp ./dogs-vs-cats/train/dog.{}.jpg ./dogs-vs-cats/small_dt/train/train_dogs/".format(i))

## 将1000-1500的猫狗图片复制到验证集目录;
for j in range(1000,1500):
    os.system("cp ./dogs-vs-cats/train/cat.{}.jpg ./dogs-vs-cats/small_dt/validation/validation_cats/".format(j))
    os.system("cp ./dogs-vs-cats/train/dog.{}.jpg ./dogs-vs-cats/small_dt/validation/validation_dogs/".format(j))

## 将1500-2000的猫狗图片复制到测试集目录
for k in range(1500, 2000):
    os.system("cp ./dogs-vs-cats/train/cat.{}.jpg ./dogs-vs-cats/small_dt/test/test_cats/".format(k))
    os.system("cp ./dogs-vs-cats/train/dog.{}.jpg ./dogs-vs-cats/small_dt/test/test_dogs/".format(k))

1.2 数据预处理:

处理步骤：

  1. 读取图像文件；

  2. 将 JPEG 文件解码为 RGB 像素网格；

  3. 将这些像素网格转换为浮点张量；

  4. 将像素值 (0-255) 缩放到 [0,1] 之间 (较少的数值便于神经网络处理)；

注意目录结构必须是：

train/

  train_cats/

  train_dogs/

validation/

  validation_cats/

  validation_dogs/

test/

  test_cats/

  test_dogs

from keras.preprocessing.image import ImageDataGenerator ## 可以将硬盘上的图像文件自动转换为预处理好的张量批量

## 将所有图像乘以 1./255 进行像素值的缩放
train_datagen = ImageDataGenerator(rescale=1./255)
test_datagen = ImageDataGenerator(rescale=1./255)

## 创建批量张量
train_generator = train_datagen.flow_from_directory(directory="./dogs-vs-cats/small_dt/train/",  ## 训练集图像文件所在目录
                                                 target_size=(150, 150),  ## 将所有图像的大小调整为 150x150
                                                 batch_size=20,  ## 批量大小
                                                 class_mode="binary") ## 因为时二分类问题，所以用二进制标签 (0,1)  

validation_generator = test_datagen.flow_from_directory(directory="./dogs-vs-cats/small_dt/validation/", ## 验证集图像文件所在目录
                                                        target_size=(150, 150),
                                                        batch_size=20,
                                                        class_mode="binary")

Found 2000 images belonging to 2 classes.
Found 1000 images belonging to 2 classes.

for data_batch, labels_batch in train_generator:
    print(data_batch.shape)
    print(labels_batch.shape)
    break

(20, 150, 150, 3)
(20,)

1.3 构建网络:

相比于之前的 MNIST，猫狗数据集相对而言数据量较大，所以相应的卷积网络也会比之前的更大一些。

和之前的 MNIST 类似，本次的卷积神经网络也是有 Conv2D层 (relu 为激活函数)和 MaxPooling2D 层交替组成。

增加网络深度既可以增大网络容量，也可以减小特征图的尺寸，使之在输入 Flatten 层时尺寸不会太大。

网络中特征图的深度在逐渐增大 (从32增加到128)，而特征图的尺寸在逐渐减小 (从150x150 减到 7x7)，这几乎是所有卷积网络的模式。

from keras import layers
from keras import models

model = models.Sequential()
model.add(layers.Conv2D(32, (3,3), activation="relu", input_shape=(150, 150, 3))) ## cnn1 (32个分类器，卷积核为3x3)
model.add(layers.MaxPool2D((2,2))) ## maxpooling 1

model.add(layers.Conv2D(64, (3,3), activation="relu")) ## cnn3
model.add(layers.MaxPool2D((2,2))) ## maxpooling 2

model.add(layers.Conv2D(128, (3,3), activation="relu")) ## cnn 3
model.add(layers.MaxPool2D((2,2))) ## maxpooling 3

model.add(layers.Conv2D(128, (3,3), activation="relu")) ## cnn4
model.add(layers.MaxPool2D((2,2))) ## maxpooling 4

model.add(layers.Flatten()) ## Flatten

model.add(layers.Dense(512, activation="relu")) ## FC1 (512个隐藏单元)

model.add(layers.Dense(1, activation="sigmoid")) ## 输出层 (1个隐藏单元，对应1个输出结果；二分类问题，激活函数为 sigmoid)

Metal device set to: Apple M1

systemMemory: 8.00 GB
maxCacheSize: 2.67 GB

查看 model 的特征维度随着每层的变化而产生的变化:

model.summary()

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d (Conv2D)             (None, 148, 148, 32)      896       
                                                                 
 max_pooling2d (MaxPooling2D  (None, 74, 74, 32)       0         
 )                                                               
                                                                 
 conv2d_1 (Conv2D)           (None, 72, 72, 64)        18496     
                                                                 
 max_pooling2d_1 (MaxPooling  (None, 36, 36, 64)       0         
 2D)                                                             
                                                                 
 conv2d_2 (Conv2D)           (None, 34, 34, 128)       73856     
                                                                 
 max_pooling2d_2 (MaxPooling  (None, 17, 17, 128)      0         
 2D)                                                             
                                                                 
 conv2d_3 (Conv2D)           (None, 15, 15, 128)       147584    
                                                                 
 max_pooling2d_3 (MaxPooling  (None, 7, 7, 128)        0         
 2D)                                                             
                                                                 
 flatten (Flatten)           (None, 6272)              0         
                                                                 
 dense (Dense)               (None, 512)               3211776   
                                                                 
 dense_1 (Dense)             (None, 1)                 513       
                                                                 
=================================================================
Total params: 3,453,121
Trainable params: 3,453,121
Non-trainable params: 0
_________________________________________________________________

关于上面结果中 Param 列参数的个数的计算 (以第一个 896 为例): 参数个数(896) = 卷积核个数(32) * 卷积核大小(3x3x3) + 卷积核个数(32)

## 配置并编译模型
from keras import optimizers

model.compile(optimizer=optimizers.RMSprop(learning_rate=1e-4),
              loss="binary_crossentropy", ## 二分类问题用 二元交叉熵损失函数
              metrics=["acc"])

1.4 用 fit_generator() 方法对数据进行拟合:

history = model.fit_generator(
    train_generator,
    steps_per_epoch=100, ## 因为训练样本一共有2000个，批量大小为20，所以读取完全部训练样本需要100个批量.
    epochs=30, ## 训练30次
    validation_data=validation_generator,
    validation_steps=50  ## 验证样本一共1000个，批量大小为20，读取完所有验证样本需要50个批量.
)

Epoch 1/30


/var/folders/0w/m6x2g_g94sqfmg3k8dldpwgm0000gn/T/ipykernel_32812/2996549298.py:1: UserWarning: `Model.fit_generator` is deprecated and will be removed in a future version. Please use `Model.fit`, which supports generators.
  history = model.fit_generator(
2023-06-25 13:34:09.683332: W tensorflow/tsl/platform/profile_utils/cpu_utils.cc:128] Failed to get CPU frequency: 0 Hz


100/100 [==============================] - 8s 69ms/step - loss: 0.6898 - acc: 0.5255 - val_loss: 0.6737 - val_acc: 0.5600
Epoch 2/30
100/100 [==============================] - 7s 67ms/step - loss: 0.6615 - acc: 0.6030 - val_loss: 0.6755 - val_acc: 0.5670
Epoch 3/30
100/100 [==============================] - 7s 66ms/step - loss: 0.6243 - acc: 0.6525 - val_loss: 0.6122 - val_acc: 0.6680

Epoch 29/30
100/100 [==============================] - 7s 67ms/step - loss: 0.0574 - acc: 0.9845 - val_loss: 0.9850 - val_acc: 0.7270
Epoch 30/30
100/100 [==============================] - 7s 67ms/step - loss: 0.0482 - acc: 0.9875 - val_loss: 0.9249 - val_acc: 0.7320

1.5 保存模型:

model.save("cats_and_dogs_small_1.h5")

1.6 绘制训练过程中损失曲线和精度曲线:

## 训练损失和验证损失
import matplotlib.pyplot as plt
history_dict = history.history

loss_values = history_dict["loss"]
val_loss_values = history_dict["val_loss"]

epochs = range(1, len(loss_values)+1)

plt.plot(epochs, loss_values, "bo", label="Training loss") ## "bo" 表示蓝色圆点
plt.plot(epochs, val_loss_values, "b", label="Validation loss") ## "bo" 表示蓝色实线
plt.title("Training and validation loss")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.legend()

plt.show()

在这里插入图片描述

## 练精度和验证精度
acc_values = history_dict["acc"]
val_acc_values = history_dict["val_acc"]

plt.plot(epochs, acc_values, "bo", label="Training accuracy") ## "bo" 表示蓝色圆点
plt.plot(epochs, val_acc_values, "b", label="Validation accuracy") ## "bo" 表示蓝色实线
plt.title("Training and validation accuracy")
plt.xlabel("Epochs")
plt.ylabel("Accuracy")
plt.legend()

plt.show()

在这里插入图片描述

1.7 使用数据增强来降低模型过拟合:

由于训练样本较少，所以模型很可能出现过拟合。除了之前提到的 dropout和 L2正则化 等降低过拟合的方法外，还可以使用一种针对计算机视觉领域的新方法——数据增强(data augmentation)。

数据增强指从现有的训练样本中生成更多的训练数据，利用多种能够生成可信图像的随机变换来增强样本。(将图像作不同的变化(翻转等)使模型在训练时不会两次查看完全相同的图像))

train_datagen = ImageDataGenerator(
    rescale=1./255,
    rotation_range=40,  ## 图像随机旋转的角度范围 (0-180)
    width_shift_range=0.2,  ## 图像在水平方向上平移的范围 (相对于总宽度的比例)
    height_shift_range=0.2, ## 图像在垂直方向上平移的范围 (相对于总高度的比例)
    shear_range=0.2, ## 随机错切变换的角度
    zoom_range=0.2, ## 图像随机缩放的范围
    horizontal_flip=True ## 随机将一半图像水平翻转
)

test_datagen = ImageDataGenerator(rescale=1./255) ## 验证数据不能增强


## 创建批量张量
train_generator = train_datagen.flow_from_directory(directory="./dogs-vs-cats/small_dt/train/",  ## 训练集图像文件所在目录
                                                 target_size=(150, 150),  ## 将所有图像的大小调整为 150x150
                                                 batch_size=20,  ## 批量大小
                                                 class_mode="binary") ## 因为时二分类问题，所以用二进制标签 (0,1)  

validation_generator = test_datagen.flow_from_directory(directory="./dogs-vs-cats/small_dt/validation/", ## 验证集图像文件所在目录
                                                        target_size=(150, 150),
                                                        batch_size=20,
                                                        class_mode="binary")

Found 2000 images belonging to 2 classes.
Found 1000 images belonging to 2 classes.

1.8 定义一个包含dropout的卷积网络:

## 定义模型框架
model = models.Sequential()
model.add(layers.Conv2D(32, (3,3), activation="relu", input_shape=(150, 150,3)))
model.add(layers.MaxPool2D((2,2)))

model.add(layers.Conv2D(64, (3,3), activation="relu"))
model.add(layers.MaxPool2D((2,2)))

model.add(layers.Conv2D(128, (3,3), activation="relu"))
model.add(layers.MaxPool2D((2,2)))

model.add(layers.Conv2D(128, (3,3), activation="relu"))
model.add(layers.MaxPool2D((2,2)))

model.add(layers.Flatten())

model.add(layers.Dropout(0.5))

model.add(layers.Dense(512, activation="relu"))

model.add(layers.Dense(1, activation="sigmoid"))


## 配置并编译模型
model.compile(optimizer=optimizers.RMSprop(learning_rate=1e-4),
              loss="binary_crossentropy",
              metrics=["acc"])

1.9 训练并保存模型:

history = model.fit_generator(
    train_generator,
    steps_per_epoch=100,
    epochs=50,
    validation_data=validation_generator,
    validation_steps=50
)

model.save("cats_and_dogs_small_2.h5")

Epoch 1/50


/var/folders/0w/m6x2g_g94sqfmg3k8dldpwgm0000gn/T/ipykernel_32812/2595555689.py:1: UserWarning: `Model.fit_generator` is deprecated and will be removed in a future version. Please use `Model.fit`, which supports generators.
  history = model.fit_generator(


100/100 [==============================] - 8s 73ms/step - loss: 0.6944 - acc: 0.5055 - val_loss: 0.6940 - val_acc: 0.5000
Epoch 2/50
100/100 [==============================] - 8s 77ms/step - loss: 0.6901 - acc: 0.5235 - val_loss: 0.6918 - val_acc: 0.5000
Epoch 3/50
100/100 [==============================] - 8s 79ms/step - loss: 0.6780 - acc: 0.5765 - val_loss: 0.6721 - val_acc: 0.5440
 
Epoch 48/50
100/100 [==============================] - 11s 112ms/step - loss: 0.4791 - acc: 0.7715 - val_loss: 0.5140 - val_acc: 0.7340
Epoch 49/50
100/100 [==============================] - 10s 102ms/step - loss: 0.4683 - acc: 0.7725 - val_loss: 0.4514 - val_acc: 0.7720
Epoch 50/50
100/100 [==============================] - 11s 106ms/step - loss: 0.4825 - acc: 0.7790 - val_loss: 0.4511 - val_acc: 0.7810

1.10 可视化损失和精度：

## 训练损失和验证损失
import matplotlib.pyplot as plt
history_dict = history.history

loss_values = history_dict["loss"]
val_loss_values = history_dict["val_loss"]
epochs = range(1, len(loss_values)+1)

plt.plot(epochs, loss_values, "bo", label="Training loss") ## "bo" 表示蓝色圆点
plt.plot(epochs, val_loss_values, "b", label="Validation loss") ## "bo" 表示蓝色实线
plt.title("Training and validation loss")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.legend()

plt.show()

在这里插入图片描述

## 训练精度和验证精度
import matplotlib.pyplot as plt
history_dict = history.history

acc_values = history_dict["acc"]
val_acc_values = history_dict["val_acc"]
epochs = range(1, len(acc_values)+1)

plt.plot(epochs, acc_values, "bo", label="Training accuracy") ## "bo" 表示蓝色圆点
plt.plot(epochs, val_acc_values, "b", label="Validation accuracy") ## "bo" 表示蓝色实线
plt.title("Training and validation accuracy")
plt.xlabel("Epochs")
plt.ylabel("Accuracy")
plt.legend()

plt.show()

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/688761.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

AI 绘画用 Stable Diffusion 图生图局部重绘功能给美女换装（这是我能看的嘛）

AI 绘画用 Stable Diffusion 图生图局部重绘功能给美女换装（这是我能看的嘛）

昨天带大家一起装好了 Stable Diffusion 的环境，今天就来带大家一起体验一下 Stable Diffusion 的局部重绘功能。 没装好环境的可以看上一篇：AI 绘画基于 Kaggle 10 分钟搭建 Stable Diffusion（保姆级教程） Stable Diffusion 的…
阅读更多...
可重入，可打断，公平锁，条件变量原理解读

可重入，可打断，公平锁，条件变量原理解读

目录 可重入原理 可打断原理 不可打断模式 可打断模式 公平锁实现原理 条件变量实现原理 await 流程 signal 流程 可重入原理 什么是可重入：当线程请求一个由其它线程持有的对象锁时，该线程会阻塞，而当线程请求由自己持有的对象锁…
阅读更多...
阿里刚换帅，京东忙换将：新时代号角吹响

阿里刚换帅，京东忙换将：新时代号角吹响

6月26日早间，京东物流在港交所发布公告称，京东物流CEO余睿因个人身体原因辞任执行董事、首席执行官及授权代表，原京东产发CEO胡伟将担任京东物流CEO。 同时，据《科创板日报》报道，京东集团将新成立创新零售部&#xf…
阅读更多...
【论文笔记】Fast Segment Anything

【论文笔记】Fast Segment Anything

我说个数：一个月5篇基于Fast Segment Anything的改进的论文就会出现哈哈哈哈。 1.介绍 1.1 挑战 SAM架构的主要部分Transformer（ViT）模型相关的大量计算资源需求，这给其实际部署带来了障碍 1.2 任务解耦 将分段任意任务解耦为…
阅读更多...
正确认识：1189194-65-7，DOTA-CH2-Alkynyl (TFA salt)，试剂的结构式和CAS

正确认识：1189194-65-7，DOTA-CH2-Alkynyl (TFA salt)，试剂的结构式和CAS

文章关键词：双功能螯合剂，大环配体，标记螯合剂修饰 【产品描述】 DOTA-CH2-Alkynyl (TFA salt)中TFA是一种强酸。它可以质子化任何氨基。盐酸也是这样。在纯化多肽过程中的反相HPLC，有一种技术是阴离子交换。将多肽加载在柱子上&a…
阅读更多...
MySql基础教程(三)：创建数据表、数据增删改查、删除数据表

MySql基础教程(三)：创建数据表、数据增删改查、删除数据表

MySql基础教程(三)：创建数据表、数据增删改查、删除数据表 1、创建数据表 创建MySQL数据表需要以下信息： 表名表字段名定义每个表字段 1.1 语法 下面是创建MySQL数据表的SQL通用语法： CREATE TABLE table_name (column_name column_typ…
阅读更多...
无线蓝牙通信有关（NRF2401模块）的功耗，通道频率等

无线蓝牙通信有关（NRF2401模块）的功耗，通道频率等

参考： ISM频段 Industrial Scientific Medical,ISM（工业、科学、医疗）频段为国际电信联盟（ITU）《无线电规则》定义的指定无线电频段。 Frequency-Shift Keying 数字调制技术（FSK调制） 将需要…
阅读更多...
又是一年毕业季，准备好踏入职场了吗？

又是一年毕业季，准备好踏入职场了吗？

文章目录 一、大学时光二、给毕业生的一些建议三、职场中的经验分享四、程序员未来职业规划 一、大学时光 作为一名程序员，大学时光是我职业生涯中最重要的时期之一。这四年的大学，我不仅学到了计算机科学的理论知识，还积累了丰富的编程经验…
阅读更多...
tqdm：python的简单可视化进度

tqdm：python的简单可视化进度

tqdm：python的简单可视化进度 说明 ​ 本篇文章的主要目的是快速上手使用，而不是解析源码。 目录结构 文章目录 tqdm：python的简单可视化进度1. 应用场景2. 库安装3. 方法速览4. 案例5. 总结 1. 应用场景 ​ 进度条应用的场景很多&#xff0…
阅读更多...
YOLOv8独家原创改进：独家首发最新原创XIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能、收敛速度和鲁棒性

YOLOv8独家原创改进：独家首发最新原创XIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能、收敛速度和鲁棒性

💡该教程为属于《芒果书》📚系列，包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀 💡本篇文章为YOLOv8独家原创改进：独家首发最新原创XIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能、收敛速度和鲁棒性。 💡对自己…
阅读更多...
[RocketMQ] Producer发送消息的总体流程 (七)

[RocketMQ] Producer发送消息的总体流程 (七)

单向发送: 把消息发向Broker服务器, 不管Broker是否接收, 只管发, 不管结果。同步发送: 把消息发向Broker服务器, 如果Broker成功接收, 可以得到Broker的响应。异步发送: 把消息发向Broker服务器, 如果Broker成功接收, 可以得到Broker的响应。异步所以发送消息后, 不用等待, 等…
阅读更多...
css基础知识十：介绍一下CSS中的Grid网格布局?

css基础知识十：介绍一下CSS中的Grid网格布局?

一、是什么 Grid 布局即网格布局，是一个二维的布局方式，由纵横相交的两组网格线形成的框架性布局结构，能够同时处理行与列 擅长将一个页面划分为几个主要区域，以及定义这些区域的大小、位置、层次等关系 这与之前讲到的flex一维…
阅读更多...
操作系统—内存管理

操作系统—内存管理

单片机是没有操作系统的，每次写完代码都是通过一些工具将程序直接烧录进去，这样程序才能跑起来。单片机的CPU是直接操作内存的物理地址。在这种情况下，要想在内存中同时运行两个程序是不可能的，程序会崩溃。那么操作系统为了解决这…
阅读更多...
LLM相关的一些调研

LLM相关的一些调研

Prompt Engine 可以参考该项目，该项目提供关于提示词书写的规则。由openai以及吴恩达完成。 https://github.com/datawhalechina/prompt-engineering-for-developers由于目前chatgpt 无法直接在国内访问，推荐在claude on slack上尝试。关于claude api h…
阅读更多...
Leetcode：1035. 不相交的线、53. 最大子数组和（C++）

Leetcode：1035. 不相交的线、53. 最大子数组和（C++）

目录 1035. 不相交的线 题目描述： 实现代码与解析： 动态规划 原理解析： 53. 最大子数组和 题目描述： 实现代码与解析： 动态规划 原理思路： 1035. 不相交的线 题目描述： 在两条独立的水…
阅读更多...
移动端永不过时的高薪技术岗位，原来是它……

移动端永不过时的高薪技术岗位，原来是它……

随着 Android 设备的普及和应用领域的不断扩大，Android Framework 开发需求量将会持续增长，并且会越来越多地向行业、企业级应用和系统优化等方向发展。以下是一些 Android Framework 开发相关的应用场景： 1. 特定垂直领域的智能设备&#x…
阅读更多...
Jmeter性能测试

Jmeter性能测试

一、jmeter多并发 1.线程设置： 线程数——多少个虚拟用户 ramp_up时间(秒)——时间，设置时间内将线程都跑完 循环次数——勾选永远，就一直跑，直到手动停止；输入数字，就是循环多少次 2.jmeter逻辑分支控制…
阅读更多...
关于MySQL性能优化方案，掌握这一篇就够了！

关于MySQL性能优化方案，掌握这一篇就够了！

目录 前言 一、设置索引 1、索引的优缺点: 2、给表列创建索引 3、查看索引 4、删除索引： 5、索引原理： 二、分类讨论 三、针对偶尔很慢的情况 1、 数据库在刷新脏页（flush） 2. 拿不到锁我能怎么办 四、针对一直都这…
阅读更多...
力扣题库刷题笔记16--最接近的三数之和

力扣题库刷题笔记16--最接近的三数之和

1、题目如下： 2、个人Python代码实现 本题的思路应该与很早之前刷的第15题三数之和是一个思路： 1、先将数组排序，然后进行遍历数组 2、确定左指针、右指针 3、判断三个数之和是否接近目标值 4、重点是，为确保左右指针不是同一个元…
阅读更多...
Transformer回归预测

Transformer回归预测

一、Attention is all you need——李沐论文精读Transformer 论文地址： https://arxiv.org/pdf/1706.03762.pdf Transformer论文逐段精读【论文精读】 卷积神经网络对较长的序列难以建模，因为他每次看一个比较小的窗口，如果两个像素隔得比较…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023