在ENet-SAD训练时, train_loss下降并趋于不变 val_loss上升

Pluto_cc 2020-12-05 10:41:54
试了各种方法了 包括调小学习率、增加车道线的权重等
...全文
1235 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
deocclusion模型训练全攻略：参数调优与性能评估
本文系统介绍CVPR 2020提出的deocclusion场景去遮挡模型的完整训练流程，涵盖环境部署、核心参数配置（如PConvUNet主干、hole损失权重6.0、batch_size与学习率设置）、分布式训练与断点续训、基于SAD/MSE/Gradient Loss等指标的性能评估，以及损失权重调整、学习率衰减和数据增强等关键调优策略，适用于遮挡重建任务的深度学习实践。
用 nanoGPT 搭建本地化词曲创作助手：字符级训练与风格可控生成
本文详解如何基于nanoGPT框架，在本地（M2 MacBook Pro）构建轻量、可控的词曲创作辅助模型。核心采用字符级建模替代BPE分词，以精准捕捉歌词音节节奏与缩写习惯；通过极简Transformer结构（3层/512维）、课程学习训练策略及结构化标记数据，实现个人创作风格建模。强调可干预性——支持定向强化、结构锚定与禁忌过滤，输出可编辑草稿而非黑箱终稿，并拓展至和弦生成与DAW联动。
基于YOLOv11的实时表情识别系统设计与实现
本博客介绍基于YOLOv11架构的实时表情识别系统设计与实现，支持7类基本表情检测与分类。系统采用单阶段检测框架兼顾人脸定位与表情识别，集成OpenCV、PyTorch和PyQt5，实现图片/视频/摄像头三模态输入。通过TensorRT加速、FP16推理、动态阈值调节及多线程架构，在RTX 3060上达45FPS，mAP@0.5为0.87。重点涵盖数据集构建、模型训练（Focal Loss缓解类别不平衡）、UI交互设计及Jetson Nano嵌入式部署优化。
CK+ 数据集 7 类表情识别：基于 PyTorch 的 10 折交叉验证实现与 95%+ 精度复现
本文基于CK+数据集开展7类面部表情识别研究，采用PyTorch框架实现10折分层交叉验证，通过面部对齐、过采样处理蔑视类样本、MobileNetV3+注意力机制建模及Focal Loss优化，复现95%+准确率。重点解决类别不均衡、序列帧泄露等交叉验证常见问题，并提供混淆矩阵分析与模型量化、ONNX导出等部署方案。
Pyannote.audio实战指南：基于PyTorch的高性能说话人日志完全手册
本文系统介绍Pyannote.audio——基于PyTorch的高性能开源说话人日志工具包，涵盖三阶段技术栈（语音活动检测、说话人嵌入提取、聚类分配）、GPU加速与批处理优化、自定义模型训练、生产级容器化部署及多语言微调实践，强调其在SAD、说话人变化检测、重叠语音检测和说话人嵌入等核心任务上的工业级能力。
CUDA on Linux

374

社区成员

345

社区内容

发帖
与我相关
我的任务
社区描述
CUDA on Linux
社区管理员
  • CUDA on Linux社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章