PaddleOCR使用详细说明

PaddleOCR简介 PaddleOCR分为文本检测、文本识别和方向分类器三部分,其中文本检测有三个模型,分别是MobileNetV3、ResNet18_vd和ResNet50,其中最常使用的是MobileNetV3模型,整体比较小,适合应用于手机端。文本识别只有一个MobileNetV3预训练模型。方向分类器使用默认的模型。 环境配置 PaddleOCR2.0的配置环境 PaddleOCR2.

- 阅读全文 -

机器学习知识总结——模型评估标准之混淆矩阵

模型评估标准 混淆矩阵 预测值=1 预测值=0 真实值=1 TP FN 真实值=0 FP TN TP=True Postive=真阳性;FP=False Positive=假阳性 TN = True Negative=假阴性;FN=False Negative=假阴性 什么是查准率/精确率 Precision=\frac{TP}{TP+FP} 什么是查全率/召回率 R

- 阅读全文 -

机器学习知识总结——过拟合和欠拟合

过拟合(overfitting) 什么是过拟合? 所谓过拟合就是指在验证集和训练集上表现很好,但是在测试集上表现很差,也就是说泛化能力差。一般表现为: 高方差,低偏差 过拟合的原因 训练样本选取有误、样本标签错误等 样本噪声干扰过大 模型过于复杂 对于神经网络来说: 学习迭代次数太多 如何防止/解决过拟合问题? 扩大数据集 进行正则化(L1正则或者L2正则等) 采用合适的模型(控制模型的

- 阅读全文 -

随机梯度下降和小批量梯度下降详解

所谓随机梯度下降, 顾名思义, 就是随机选取数据来做随机梯度下降. 普通梯度下降 普通的梯度下降的计算公式为: \omega = \omega - \lambda\frac{\partial J}{\omega} 其中, J为损失函数, 而\omega就是我们需要求的参数, \lambda为步长, 也就是我们所说的学习率. 也就是说, 梯度下降法其实就是将相应的参数按照梯度下降的方向前进一点点

- 阅读全文 -

各种梯度下降及其特点

全量梯度下降/批梯度下降(BGD, Batch Gradient Descent) 就是正常的梯度下降 \omega = \omega-\lambda\frac{\partial J}{\partial\omega} 特点 每次更新都会朝着正确的方向进行, 最后收敛于极值点, 凸函数收敛于全局极值点, 非凸函数可能会收敛于局部极值点 缺点: 学习时间长, 消耗内存大 随机梯度下降(SGD,

- 阅读全文 -