【实力派，无需多言！】

大家好，今天和各位分享一下如何使用 Pytorch 构建 MobileNetV3 卷积神经网络，并基于 权重迁移学习 方法解决图像二分类问题，并且评价数据集的 召回率、精准率、F1 等。MobileNetV3 的原理和 TensorFlow2 实现方法可以看我下面这篇博文，强烈建议大家先看一下，本文就不赘述原理了：https://blog.csdn.net/dgvv4/article/details/123476899首先导入网络构建过程中需要用到的所有工具包，本小节的代码都写在 MobileNetV3.p

目标序列 [tensor([1., 1., 1.]), tensor([1., 1., 1., 1., 1.])]# 特征序列 [tensor([1., 1.]), tensor([1., 1., 1., 1.])]# 目标序列和特征序列之间的长度不一样，需要将原序列中和目标序列中padding后的元素mask掉。# 有效特征序列[2,4]==>[2,4,1], 有效目标序列[2,5]==>[2,5,1]# 维度扩充[seq_len,seq_len]==>[1,seq_len,seq_len]

自己理解，two-stage算法将步骤一与步骤二分开执行，输入图像先经过候选框生成网络（例如faster rcnn中的RPN网络），再经过分类网络，对候选框的内容进行分类；one-stage算法将步骤一与步骤二同时执行，输入图像只经过一个网络，生成的结果中同时包含位置与类别信息。1.目标种类与数量问题：同一幅图下要识别的物体类别和数量可能同时存在多个，在要识别的目标密度非常大时就可能出现像相互遮挡的问题。主流的目标检测算法大致分为one-stage与two-stage。候选框的选择是依靠滑动窗口来选择的。

内容导读：近日，团队在官方博客宣布 Pytorch 1.13 发布。本文将详细围绕新版本的 4 大亮点展开介绍。据官方介绍，PyTorch 1.13 中包括了 BetterTransformer 的稳定版，且不再支持 CUDA 10.2 及 11.3，并完成了向 CUDA 11.6 及 11.7 的迁移。此外 Beta 版还增加了对 Apple M1 芯片及 functorch 的支持。

刚接触深度学习的同学，很多开源项目代码中，张量tensor与数组array都有使用，不清楚两者有什么区别，以及怎么使用，如何相互转换等。博主起初也有类似的疑惑，经过查阅资料以及实践，逐渐有了深入了解，本文将记录并分享自己对两者的理解，可供参考。提示：以下是本篇文章正文内容，下面案例可供参考本文主要记录介绍torch.tensor与numpy.array之间的区别，以及应用场景，相互转换的方法，讲述了更多的细节，这些知识点在深度学习模型训练中非常有用，属于基础知识。

pytorch框架有很多功能模块，对于初学者来讲，可以先从基础常用的模块开始学习，这样可以快速熟悉Pytorch在实际项目上的应用。本文讲总结介绍在深度学习项目中，使用频率较多的模块之一，供大家参考学习。本文主要记录介绍torchvision子模块的作用和用法，这些知识点在深度学习模型训练中非常有用，属于基础知识。博主后续会继续更新分享深度学习笔记，记录提炼知识点，总结学习经验及项目经验。