小叮当爱咖啡-CSDN博客

MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。（下载后需解压）。我们一般会采用这行代码直接调用，这样就比较简单MNIST手写数字数据集中包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28，数据集样本如下：如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784的向量。因此我们可以把训练集看成是一个的张量，第一个维度表示图片的索引，第二个维度表示每张图片中的像素点。而图片里的每个像素点的值介于0-1。

2024-07-12 23:24:26 822

原创 Pytorch深度学习案例11：马铃薯病害识别

和前几篇文章相似，套用之前代码换个路径也是ok的。

2024-07-05 21:41:46 693

原创 Pytorch深度学习10：车牌号识别

- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/pgg8O9Hv8fiLBc8xbFm4HQ) 中的学习记录博客**>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/)*在之前的案例中，我们多是使用函数直接导入已经分类好的数据集形成Dataset，然后使用DataLoader加载Dataset，本文讲分析无法分类的数据集，应当如何处理。本文数据集为车牌号数据集。

2024-06-28 23:18:31 1058

原创 Pytorch深度学习案例9：Yolov5-backbone模块实现

- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**

2024-06-21 21:30:31 869

原创 Pytorch实现深度学习案例8：Yolov5-c3实现

CSPDarknet53 模型YOLOv5 使用的主干网络是 CSPDarknet53，它是一个改进的 Darknet53 模型。CSPDarknet53 模型通过使用 CSP（Cross Stage Partial）连接来减少参数量并提高模型的效率和性能。C3 模块的作用C3 模块是 CSPDarknet53 模型中的第三个阶段（C3 Stage），负责在输入的特征图中执行一系列卷积操作，以便从输入图像中提取更高级别的特征。

2024-06-14 20:44:13 1079

原创 Pytorch实现深度学习案例7：咖啡豆识别

1.对相同结构的不同数据集，掌握如何调用和手写vgg16函数进行深度学习分析2.准确率高达98%3 初步掌握了vgg16的网络原理和结构。

2024-06-07 16:16:50 772

原创 Pytorch深度学习案例6：VGG-16实现人脸识别

VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。此数据集的结构为：face文件夹下有一些分类文件夹，每个子文件夹都对应一个人进行识别分类。

2024-05-27 10:00:00 1631

原创 Pytorch深度学习案例5：运动鞋识别

熟悉一下这个案例的数据集结构：shoes文件夹下并没有直接的分类。如果是直接分类的话我们需要自行划分训练集和测试集，但此结构是shoes文件夹下有两个文件夹：train和test分别对应了训练集和测试集。每个文件夹下才是各种品牌运动鞋的分类。● dim (int, optional)：如果给定，输入将只在这个维度上被压缩。代码运行结果：['test', 'train']● input (Tensor)：输入Tensor。对数据的维度进行压缩，去掉维数为1的的维度。预测结果是：adidas。

2024-05-27 07:30:00 1008

原创 Pytorch深度学习案例4：猴痘病识别

如果设备上支持GPU就使用GPU,否则使用CPU。

2024-05-20 07:00:00 899

原创 Pytorch深度学习案例3：天气识别

前两篇介绍了pytorch自带的数据集：mnist数字和cifar10彩色图片，从这篇博客开始，将进入外部数据集深度学习训练。

2024-05-20 06:00:00 1716

原创 Pytorch深度学习案例2：CIFAR10彩色图片识别

更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用loss.backward()后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。step()函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。

2024-05-14 16:32:45 1132

原创 Pytorch深度学习案例1：mnist手写数字识别

的 Iterable。输入层为(1,28,28)，经过第一个卷积层（卷积核为3，stride为1，padding为0）变为（32，26，26），经过第一个池化层（池化核为2）变为（32，13，13），经过第二个卷积层（卷积核为3，stride为1，padding为0）变为（64，11，11），经过第二个池化层（池化核为2）变为（64，5，5）(pred.argmax(1) == y).type(torch.float).sum().item()表示计算预测正确的样本数量，并将其作为一个标量值返回。

2024-05-14 15:42:33 929 1

原创卷积神经网络理论基础

当卷积函数中padding='same'时，会动态调整p值，确保o=w，即保证输入与输出一致。例如：输入是28*28*1，输出也为28*28*1。在步长（stride）为1时，输出的大小为（4-3+1）×（4-3+1）实例：7*7的input，3*3的kernel，无填充，步长为1，则。7*7的input，3*3的kernel，无填充，步长为2，则。也即output的size为5×5。，也即output的size为3*3。输出图片大小为：o×o。

2024-05-12 21:24:44 300

2301_76606951的博客

原创 DenseNet算法：口腔癌识别

原创 ResNet50V2:口腔癌分类

原创 Resnet50网络——口腔癌病变识别

原创数据增强方法

原创 Yolov5实现目标检测——调用官方权重进行检测

原创 Tensorflow实现深度学习8：猫狗识别

原创 Tensorflow实现深度学习案例7：咖啡豆识别

原创 Tensorflow实现深度学习案例6：人脸识别

原创 Tensorflow实现深度学习案例5：运动鞋识别

原创 Tensorflow实现深度学习案例4：猴痘病识别

原创 Tenserflow实现深度学习案例3：天气识别

原创 Tensorflow深度学习案例2：cifar10彩色图片识别

原创 Tenserflow深度学习案例1：mnist手写数字识别