文章目录
- 前言
- 一、深度学习的一般流程
- 1.数据获取
- 2.特征工程
- 3.建立模型
- 4.评估应用
- 二、神经网络的整体架构与基本流程
- 1.整体架构
- 2.前向传播
- 3.反向传播
- 三、DROP-OUT
- 总结
数据获取是整个任务的开始，无论训练什么模型、完成什么样的需求 都需要先得到相关数据以及标签，在学习期间的数据与标签可以从很多数据网站轻松得到，但是在实际项目中则需要自己去收集提取。
我在初学阶段选择自己建立网络结构来训练数据，但是后期将介绍迁移学习，使用一些经典网络结构进行微调来适配自己的任务，经典的网络结构设计更合理，模型拟合效果也更好。
这部分就是对自己训练的模型进行评价，评价依据也很多：准确率、误差函数、F1值、查全率、查准率，至于选择哪种方式评估模型需要根据实际任务需求来做，我至今记得本科期间老师举的例子，在癌症判断模型中，我们更希望查出全部的癌症患者，因此我们会更加关注查全率，此时对准确率的要求就相对较低。
我们知道，在神经网络中过拟合是一个非常头疼的问题，为了改善过拟合状态，我们引入了DROP-OUT，其逻辑很简单，就是随机“杀死”网络中的部分神经元以防止特征过多导致过拟合，在pytorch中也提供了相应的函数可以调用。
本文对神经网络的基本原理和过程进行了概要说明，在下一篇文章中将以实际案例来演示各个步骤的实现以及如何使用pytorch的内置方法来搭建一个简单的神经网络
到此这篇pointnet如何运行（pointnet+）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
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。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/bcyy/41562.html