demonhunter8023的博客

数据处理首先到手的数据是这个样子的：从图片就可以看出来，大的大小的小，明显是不符合直接训练的要求的。多次实验之后目前的数据处理思路：获取最大的长宽，这个用numpy很好做到 padding到大于且接近最大尺寸且为2倍数的尺寸，windows自带的有程序猿计算器可以很方便的用2进制数找到一个十进制数 选择一个合适的尺寸失败尺寸192*144，用滑动窗口算法切割若干小图片，呼应2中的倍数要求 切割之后的数据作为原始数据训练算法算法这一块就只是默认的套壳unet，内部为Resn..

图像训练数据集就是最基础的70000张minist数据集无图只有CSV，图片靠CSV生成或者直接使用像素数据。我们常规的操作是这样的：读取数据dls = ImageDataLoaders.from_folder(train_image_folder,valid_pct=0.2,seed=1024)迁移学习训练learn = cnn_learner(dls,models.resnet34)learn.lr_find()learn.fine_tune(1)图像预测-基于f.

前情概要之前的第一版直接使用fastai提供的方法，过拟合问题比较严重，所以寻求了一下改进方法。CostFunction经过几次测试，将CostFunction改为了loss_func=FocalLossFlat(gamma=5)从fastai官方文档中的CostFunction中看到了它，论文没有看，体感这个gamma应该是个超参数。经过测试gamma的值越大对w和b的惩罚越大，当gamma的值取10左右时产生梯度消失。gamma的默认值为1，针对这个数据集gamma取2-6的效果比

代码环境机器配置 ryzen1700 8C16T @3.7Mhz 解压加载数据集模型速度偏慢，5800X已经在路上了准备换掉，顺便安排水冷 海盗船马甲条 3200Mhz 8GX2 勉强够用，占用在 10G上下 RTX 1660super 6GRam 7.5算力 经常性OOM，可能不是太够用 毕竟fastai提出的是no nee...

初始环境使用一个安装好cuda，cudnn，pytorch，tensorflow的conda环境，这个环境有一段时间了，版本可能有点老了，但是牵一发而动全身不想重新搭建了。fast.ai安装根据官网提示，需要先安装torch，因为环境已经是安装好的了就不再重新安装了。 To install with pip, use:pip install fastai运行完成后如图：看起来应该是成功了 。 ...