神经网络学习的课题

Question

我最近开始学习深层神经网络，并在网上阅读教程。无论在哪里，我都看到用CNN进行图像分类的话题有点模糊。在学习图像分类之后，似乎没有人遵循指南来学习哪些主题。

如果有人能指导我学习更高级的课题，并开始这个领域的研究，我会非常感激的。

到目前为止，我所讨论的主题是：

• 基础机器学习
  • 线性回归
  • Logistic回归
  • 支持向量机
  • 决策树
  • 优化算法
  • 正则化方法
  • 不同损失函数
  • 训练中的不同计量学
  • 特征提取
  • HyperParameter调谐

• 基本神经网络
  • 安
  • CNN
    • 图像分类
    • 训练前的图像增强
    • 可视化过滤器

我已经开始使用CNN学习对象检测，但我有一种感觉，我错过了一些可以加强我的基础的话题。

提前谢谢。如有任何指导，将不胜感激。

Answer 1

您会注意到博客的缺乏，因为上面的帖子库没有一个非常简单的实现。所以，你得把手弄脏了。

我想，你是在考虑进入计算机视觉。

• 目标检测

• 对象分割

• 目标识别

• 使用一些自定义数据尝试上述所有内容。

• 人脸检测/识别

• 掌握经典图像处理知识。你不是每次都需要DL。

• 学习OpenCV

• 视频数据分析

• 在简历上关注最新的研究论文或商业产品

詹森·布朗利( Jason )和禤浩焯·罗斯布罗克(禤浩焯Roserbrock )在他们的博客上对简历提出了建议。

为了补充这一点，我想指出一个非常初学者友好的博客，它帮助我全面了解-> 博客。

这涵盖了计算机视觉的基本知识，从那里你可以更好地理解如何在图像处理中使用CNN。

Answer 2

如果你想从研究开始，就像你说的，我会确保不要跳过机器学习的理论和基本数学。知道要为某个问题选择什么样的模型和超参数，并且能够快速实现这一点在公司环境中是非常有用的，但是研究主要需要对正在发生的事情有一个深入的数学理解。

在我看来，古德费罗和本吉奥的“深度学习”一书有一个很好的结构，可以让你熟悉深度学习的数学基础。当你理解了这一点，你将能够阅读和理解国家的艺术论文，如果你想和做你自己的研究。我想你可以在网上免费找到这本书。

Answer 3

至少根据CNN教学大纲的说法，你做得很好。

对图像分类后的目标检测进行研究是很自然的。

也许你想要做的是学习转移学习，这是最重要的思想之一的深入学习。您可能还需要关注神经网络培训的具体内容：

• 辍学
• 批归一化
• 学习测速器
• 周期性学习率

为此，我推荐fast.ai深造课程。

学习pytorch、keras和fast.ai库也会使您受益，因为使用这些工具和理论一样重要。