这是老师给的一位学长的一次调参经历，实现的是图像识别中的物品分类。采用的是VGG模型。一开始的我毫无头绪，看完这个调参思路，把每个参数弄清楚，至少可以进行调参的测试了，寻找最优参数，需要更多的努力，共勉！！！！
• 第一次执行，迭代次数为300，同时将图像大小剪裁为50x50。这样训练出来的误差很小，达到了90%多，但测试误差极大，准确率仅为50%。我考虑这是由于图像区域过小，导致模型过分关注图像细节而过拟合造成的。
• 第二次执行，将图像放大，剪裁大小修改为150，在300次迭代过程中，大概在100次左右时，准确率已经达到98%。说明再往后有可能过拟合，也没有意义。结果77.561%
• 第三次执行，将图像恢复为200，减少迭代，次数为100，增加学习率为0.004。训练准确率是90%，测试准确率达到80%。是否依旧过拟合？ （提交）
• 第四次执行，将图像设定为300大小，尝试batch size 为1。训练过程中，开始的准确率为0%，且计算过慢，放弃。
• 第五次执行，调整batch size为8，准确率是68%
• 第六次执行，调整迭代次数为70，准确率是79%
• 第七次执行，调整迭代次数为80，图像恢复大小为200，迭代30次左右时，训练准确率是86%。最终72%
• 第八次执行，迭代次数为80，图像恢复大小为250，filter size = 5, 71%，放弃
• 第九次执行，恢复demo代码，放弃
• 第十次执行，依旧使用vgg网络，将num filter从 20 20 50 修改为64 512 512，放弃
• 第十一次执行，batch size 32
• 第十二次执行，num filter 20 20 50 65%
• 第十三次执行，将图像恢复为200，迭代次数为100，调整学习率为0.02。训练准确率是93%，测试准确率达到86%。（提交）（此处观察排名第一老师的准确度，从无成绩，到86%，猜测应该不仅仅是调参带来的，应该是网络模型比较好，所以起点高。。。，再到91%，应该是模型稳定了，在调参数。）
• 第十四次执行，将图像恢复为200，迭代次数为200，学习率为0.02。训练准确率是97%，测试准确率下降到77%。
• 第十五次执行，训练误差较小，但验证误差太大，看代码发现有可能是两次图像处理的方式不一样所造成，为此，统一两个处理方法，准确率到97.56% 。（提交）
• 第十六次执行，将学习率降低，希望可以慢点学到更多的特征。结果99.5%，这个应该是现实中的最高值了，205个样本，204个预测正确。如果100%的准确率，可能性不大。（提交）
事实上，90%以上的准确度，都非常有可能是模型过拟合造成的，因为比赛中无论是test集还是validation集，都是training的时候见过的数据，这不代表泛化能力。因此，这么高的准确度，现实中不一定好。
前言这是老师给的一位学长的一次调参经历，实现的是图像识别中的物品分类。采用的是VGG模型。一开始的我毫无头绪，看完这个调参思路，把每个参数弄清楚，至少可以进行调参的测试了，寻找最优参数，需要更多的努力，共勉！！！！调参思路• 第一次执行，迭代次数为300，同时将图像大小剪裁为50x50。这样训练出来的误差很小，达到了90%多，但测试误差极大，准确率仅为50%。我考虑这是由于图像区域过小，导致模型过分关注图像细节而过拟合造成的。• 第二次执行，将图像放大，剪裁大小修改为150，在300次迭代过程
百度
飞
桨
人脸检测主题创意赛
参
加记录今天报名
参
加了百度
飞
桨
的人脸检测主题创意赛，重在(xiao)
参
(li)与(pin)~~~
今天报名
参
加了百度
飞
桨
的人脸检测主题创意赛，重在(xiao)
参
(li)与(pin)~~~
https://aistudio.baidu.com/aistudio/projectdetail/402840
这是我的项目地址，fork了官方的人脸检测示例，结果运行的时候提示没有保存预测图片，（paddlehub真的太好用了，几行代码运行各种深度学习模型，伸手党的福利啊，这里墙裂推荐一波）
这是官方代码块
input_dict = {"image": test_img_path
能
参
加到这次的百度
飞
桨
七日“Python小白逆袭大神”打卡营是一次偶然的了解得知的这个机会，之前因为课程和基础不够扎实
参
加到AI实战营没有顺利跟完全程，这一次很开心可以顺利跟上并且结营。下面的内容就简要的总结一下这几天的学习内容和踩过的小坑吧。
本次课程的课程目标：
1.掌握Python的基础语言、进阶知识和常用的深度学习库，能够利用Python爬取数据并进行可视化分析
2.掌握人工智能基础知识、应用，体验人工智能的前沿技术
3.了解
飞
桨
平台及百度AI技术、应用，掌握AI Studio的使用方法
本次课程的安排：Day1-人工智能概述与python入门基础python基础、人工智能概述Day
完全零基础接触深度学习，但是训练营里有老师的带领 、小伙伴们额答疑、班主任每天的打卡 、让我坚持到了现在， 收获颇丰 。
#
调
参
感觉深度学习 始终是站在巨人的肩膀上，研究者们已经提出了很多优化算法，但这些算法能不能一般化，多多少少都有些质疑。
动量梯度下降（Momentum）很好用，Adam优化算法结合了Momentum和RMSprop梯度下降法，也已被证明适用于不同的深度学习结构。这些优秀的算法模块都在
飞
桨
的api内可以轻松
调
用出来。
超
参
数
文章目录前言：1.项目目的
为了加深对c++多线程和mysql的理解，为了做了这个小型项目。代码
参
考了github上和CSDN及B站上很多人的讲解。做完之后发现这个项目“麻雀虽小五脏俱全”，特此记录下自己的理解和编程过程。
1.项目目的
在高并发的情况
避免频繁的向数据库申请资源，释放资源带来性能损耗。
1、centos7+paddlepaddle-gpu==1.8.4.post97
2、cudn10.0 +driver450+cudnn7.6
具体按照步骤见paddle官网安装手册
这个点，要怪只能怪自己对代码理解得不到位，那么下面就先记录下这个知识点
知识准备：
1、Python yield 关键词
要理解yield的作用，你必须理解生成器是什么。在理解生成器之前，必须先理解迭代器
mylist = [1,2,3]
for i in my
1. 重点
参
数说明
1.1 学习率设置
在 PaddleSeg 的配置文件给出的学习率中，除了 "bisenet_optic_disc_512x512_1k.yml" 中为单卡学习率外，其余配置文件中均为 4 卡的学习率，如果采用的是单卡训练，则学习率设置应变成原来的 1/4。
1.2 yaml 文件
参
数设置
batch_size: 4 # 设定 batch_size 的值即为迭代一次送入网络的图片数量，一般显卡显存越大，batch
文章目录1、拉取PaddleSeg源码2、跑通Python API预测模型（1）准备环境（2）下载示例模型（3）下载示例图片（3）推理（4）推理结果
1、拉取PaddleSeg源码
git clone https://github.com.cnpmjs.org/PaddlePaddle/PaddleSeg.git
2、跑通Python API预测模型
（1）准备环境
pip3 install filelock
pip3 install --ignore-installed PyYAML
将paddleS
波士顿房价预测是一个经典的机器学习任务，类似于程序员世界的“Hello World”。和大家对房价的普遍认知相同，波士顿地区的房价是由诸多因素影响的。该数据集统计了13种可能影响房价的因素和该类型房屋的均价，期望构建一个基于13个因素进行房价预测的模型，如图所示。
import numpy as np
import matplotlib.pyplot as plt
def load_data():
# 1.从文件导入数据
datafile = './housing.data'
一、数据集的获取
通常，我们的数据来源于各个比赛平台。首先是AIStudio中的数据集，大部分经典数据集例如百度AI Studio ,Kaggle、天池、讯
飞
等平台（通过关键词搜索获取需要的数据集），或者是Github。还有一些小的平台，需要大家自己去看。通常来说，数据集用于学术目的，有些数据需要申请才能获得链接。
1.1 Kaggle有趣比较火热的数据集
url :https://www.kaggle.com/c/house-prices-advanced-regression-techni..
1. FCN 全卷积网络
上图是一个FCN-32s网络的结构图。在这个网络中，图片经过骨干网络（VGG Network）提取特征后，得到长宽缩小32倍的特征图，随后直接将特征图上采样32倍，得到和输入图片一样大小的分割图。
是不是特别简单直接。别看这个网络设计的这么简单，但确实可以得到分割图。
当然，因为是直接将特征图上采样32倍，这种方式得到的分割精度不会很高。
为了提高分割精度，作者
表示每次结果误差的反馈系数，越大结果反馈误差对模型影响越大，一般取3、1、0.5、0.1、0.01、0.0001···
对于深度学习来说，每 t 轮学习，学习率减半。对于监督学习来说，初始设置一个较大的学习率，然后随着迭代次数的增加，减小学习率。
大多数的网络的学习率的初始值设置为0.01和0.001为宜
感知器个数（隐藏层数）
层数越多，时...
print_batch_step: 每隔多少个batch打印一回信息
save_model_dir: 模型保存路径
save_epoch_step: 模型保存时间间隔，以epoch计
eval_batch_step: 在第0个batch后每隔500个batch评估一次
batch_size_per_card: 每个batch运行的图片数，过多会爆显存
模型训练总共epoch_num个epoch，每个epoch会把所有图片都跑一遍，
您好！以下是
飞
桨
PaddlePaddle的下载安装步骤：
1. 首先，您需要访问
飞
桨
PaddlePaddle的官方网站：https://www.paddlepaddle.org.cn/ 。
2. 在网站首页的导航栏中，选择“下载”选项。
3. 在下载页面中，您可以选择适合自己操作系统的版本进行下载。目前，
飞
桨
PaddlePaddle支持Windows、Linux和MacOS等多个操作系统。
4. 下载完成后，您需要解压缩文件并安装。具体安装步骤可以
参
考官方文档：https://www.paddlepaddle.org.cn/install/quick
5. 安装完成后，您可以通过运行示例代码来验证安装是否成功。具体示例代码可以在官方文档中找到。
希望以上信息能够帮助到您！如有其他问题，欢迎随时咨询。
### 回答2：
飞
桨
（PaddlePaddle）是百度推出的深度学习开源平台，旨在为科研人员和开发者提供高效、灵活的深度学习工具，让他们可以更快速地构建深度学习模型。
下面介绍一下
飞
桨
（PaddlePaddle）的下载安装方法：
1.首先进入
飞
桨
官网（https://www.paddlepaddle.org.cn/）点击官网首页“下载”按钮。
2.选择您的操作系统和版本，比如选择“Linux”操作系统，同时选择CPU或GPU版本，点击“下载”按钮即可开始下载。
3.下载完成后，解压压缩包并将文件夹重命名为“paddle”，即可将其每次存储到指定的目录中，如/home/paddle/，这里的“/home/paddle/”是Linux系统的路径，可以自行修改。
4.在Linux系统下进入解压后的“paddle”文件夹中，打开终端（Terminal），输入以下命令即可安装paddlepaddle：
Python2.7：
sudo pip install paddlepaddle
Python3：
sudo pip3 install paddlepaddle
5.安装完成后，你需要运行一下以下代码：
Python2.7：
python -c “import paddle.fluid; print(paddle.fluid.install_check())”
Python3：
python3 -c “import paddle.fluid; print(paddle.fluid.install_check())”
运行结果如下图所示，如果出现说明安装成功：
https://camo.githubusercontent.com/fa845f9e8aa3320d02f389e4c5d025ac4faf4ca5be7960db6b9cf192d8022cc0/68747470733a2f2f696d672e736869656c64732e696f2f7472616e732f706164646c655f666c7569642e737667
经过以上步骤，你就可以愉快地使用
飞
桨
（PaddlePaddle）平台来构建你的深度学习模型了。需要注意的是，为了使命令可以全局
调
用，你需要将"/home/paddle/.local/bin/"路径添加到环境变量中。
总之，
飞
桨
（PaddlePaddle）是一款非常强大的深度学习开源平台，下载安装也非常简单方便，有了它，相信可以让你轻松构建出高效、灵活的深度学习模型。
### 回答3：
飞
桨
PaddlePaddle是一个基于深度学习技术的开源平台，可以帮助开发者和科学家在深度学习领域进行研究和开发。对于很多初学者来说，了解如何下载和安装这个平台是非常重要的。以下是一份针对Windows操作系统的PaddlePaddle下载安装指南，希望能对初学者有所帮助。
1.打开PaddlePaddle官方网站并选择合适的版本。在PaddlePaddle主页上，你需要选择适用于你的操作系统和Python版本的PaddlePaddle版本。通常来说，我们需要选择最新的版本，因为它们通常包括许多最新的功能和修复。选择好版本后，点击下载。
2.安装Python并设置环境变量：如果你的电脑还没有Python环境，你需要先下载Python并安装它。安装过程中，你需要勾选Add Python to PATH选项来将Python添加到系统环境变量中。在这个过程中，需要注意Python安装路径和版本号，尽量不要安装在中文路径中。
3.使用pip安装PaddlePaddle。下载安装完Python后，我们需要使用pip命令安装PaddlePaddle。具体步骤是：打开管理员权限的命令提示符（Win+X，选择命令提示符(管理员)），输入以下命令：
pip install paddlepaddle
或者输入以下命令来安装CPU版本的PaddlePaddle：
pip install paddlepaddle-cpu
4.测试安装结果。输入以下Python代码来测试是否安装成功：
import paddle.fluid as fluid
fluid.install_check.run_check()
如果没有报错，说明安装成功，并且你已经可以开始使用PaddlePaddle了。
总结：通过以上的步骤，你已经可以下载和安装PaddlePaddle了。当然，在使用过程中，你还可以
参
考PaddlePaddle官方文档，了解更多关于PaddlePaddle的使用方法，如何搭建神经网络，如何生成模型等等。PaddlePaddle是一个非常强大的深度学习平台，相信在学习和实践中，你会不断发现它的优势和魅力。
