https://github.com/fastai/fastai  渐进的（图片）尺寸调整   当训练CNN模型的时候，从小到大的线性调整图片尺寸是一项技术。渐进的尺寸调整在很赞的fastai课程中被描述为：程序员的深度学习实践。一种不错的方式是先用小的尺寸，如64 x 64进行训练，再用这个模型的参数，在128 x 128尺寸上进行训练，如此以往。每个较大的模型都在其体系结构中包含以前较小

前言 系列专栏:【深度学习：算法项目实战】✨︎ 涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域，讨论了各种复杂的深度神经网络思想，如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记忆、自然语言处理、深度强化学习、大型语言模型和迁移学习。 情感分析是指利用自然语言处理、文本分析、计算语言学和生物统计学，系统

上一篇博客介绍了如何使用Fast AI数据模块(Data Block)，便捷地构建Fast AI模型所需的数据包(Data Bunch)。在将图像数据灌入模型之前，往往需要对之进行随机变换，即做数据增强(Data Augmentation)。这可以视为一种在数据层面的正则化(也就是人为地引入一些随机扰动，避免学习器过分关注训练集的特有性质，以免产生过拟合)。本篇博客将介绍Fast AI中的数据增强

上一篇博客介绍了如何调用ImageDataBunch的工厂类方法，生成Fast AI的模型所需的数据包(Data Bunch)。事实上，Fast AI提供了一系列函数接口，使得构建数据包的流程更符合逻辑且更灵活，而前述博客所示的工厂类方法其实也是基于这些API进行构建的。本篇博客将介绍相关的数据类型以及API。 一、Fast AI的数据积木(Data Block)API (文档链接) Data

一、使用PyTorch的ResNet18网络，在MNIST数据集上实现手写数字的分类 MNIST数据集下载地址。数据读取代码如下： import pickle, gzipimport numpy as npdef load_data(data_pkl):with gzip.open(data_pkl, "rb") as fp:training_data, valid_data, test_d

【遥感影像深度学习】系列的第一章，Python遥感影像深度学习的入门课程，介绍如何使用卷积神经网络（CNN）从卫星图像中分割云层 1、数据集         在本项目中，我们将使用 Kaggle 提供的 38-Cloud Segmentation in Satellite Images数据集。         该数据集由裁剪成 384x384 （适用于深度学习）的卫星场景

Hi，这是我们第一次公开课。之所以有这个分享课程是因为大家太忙（懒），没有时间看fastai在线视频和笔记。而且视频和笔记都是英文的，大家也不想费脑子（懒）。所以本课程的目的就是把Jeremy老师的视频用中文再给大家讲一遍，另外把Hiromi小姐的笔记翻译加工一下分享给大家。 首先，下载并安装一些在本地可能用到的工具Anaconda（python3.7)，git。 接下来可以clone f