通过这一周的学习,我学会了以下几点:
1. 了解了项目的安排
1.1. 第一阶段:
01. 项目GUI + AI基础技术(数据集处理 + 机器学习[特征的分类] + 深度学习[特征的学习])
02. 模型实现 + 模型训练
1.2. 第二阶段:
01. 实现模型 + AI工程技术(数据集标签 + 数据集工程 + 目标侦测 + AI推理模型)
1.3 第三阶段:
01. 完成项目 + 项目发布(PPT + 视频 + 提交成果物 + 实训总结)
1.4. 两个部分: 项目工程的指导 + 技术补充
2. 掌握了项目的技术结构、类图和设计文档的开发
2.1. 技术结构
2.1.1. 逻辑结构:
01. 两层 GUI + Business(数据采集层 + 数据训练/推理处理层)
02. Qt + OpenCV + PyTorch(Torch C++)
03. 结构中体现:业务流程
04. 工具:PPT、processon.com
2.2. 项目类图
2.2.1. 两个类图
01. 最终应用项目
02. 模型训练项目
03. 登录模型
04. 业务模型
2.3. 设计文档
01. 结构设计(图 + 文本说明)
02. 类图设计(图 + 类说明)
03. 项目工程的包路径与模块
04. 运算环境
3. 学会了UML的设计
3.1. 9图:5静态图 + 4动态图
01. 部署图
02. 组件图
03. 用例图
04. 对象图 -> 时序图 *
协作图
活动图:函数为节点
状态图:数据为节点
05. 类图 -> 时序图
协作图
活动图:函数为节点
状态图:数据为节点
4. 学会了jupyter的使用
4.1. 使用pip install jupyterlab安装了jupyter
4.2. 创建notebook文档
4.3. 创建单元格:快捷键:b, 单元格格式:code/markdown, 切换:M
5. 了解了卷积的概念并掌握了图像的特征处理
5.1. 卷积的概念 = 平滑 = 滤波
5.2. 离散化:模板内积运算
5.3. 图像特征
01. 像素的变化
02. 变化:距离的变化 = 速度
03. 微积分中变化 = 梯度 = 微分 = 求导
04. 图像的导数 = 图像的特征= 特征图
05. Source Image -(Kernel) > Feature Map
6. 了解了机器学习的概念
01. 机器学习就是找到一个Kernel,使得Feature Map更加容易识别(分类/侦测/分割/跟踪)
02. 卷积运算s -> 特征 -> 分类: 卷积神经网络
7. 学会了工程的设计
7.1. 技术结构
01. UI层
02. 视频采集层
03. AI推理 <- 模型训练
04. 应用业务
7.2. UML
01. 类图
02. 时序图
7.3. 项目目录结构与模块结构
8. 掌握了设计文档的开发
01. 《XXX程序》简略设计文档
02. 封面
03. 修改日志
04. 版权申明
05. 正文
9. 学会了任务分工表的设计
01. 任务
02. 任务描述
03. 责任人
04. 完成时间
05. 工期
06. 交付物
07. 要求
08. 完成度
10. 熟悉了分类器的使用
11. 学会了导入数据集-手写数字数据集
12. 学会了卷积运算PyTorch
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)