![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
pytorch
文章平均质量分 53
gaishi_hero
精通cop
展开
-
从图像超分辨率快速入门pytorch
文章目录前言正文单一图像超分辨率(SISR)训练4要素网络模型数据训练DataLoader前言最近又开始把pytorch拾起来,学习了github上一些项目之后,发现每个人都会用不同的方式来写深度学习的训练代码,而这些代码对于初学者来说是难以阅读的,因为关键和非关键代码糅杂在一起,让那些需要快速将代码跑起来的初学者摸不着头脑。所以,本文打算从最基本的出发,只写关键代码,将完成一次深度学习训练...原创 2019-11-06 16:10:30 · 5789 阅读 · 4 评论 -
pytorch 使用单个GPU与多个GPU进行训练与测试
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")#第一行代码model.to(device)#第二行代码首先是上面两行代码放在读取数据之前。mytensor = my_tensor.to(device)#第三行代码然后是第三行代码。这句代码的意思是将所有最开始读取数据时的tersor变量...原创 2018-07-20 22:09:20 · 31634 阅读 · 12 评论 -
pytorch中最常用的两个包:torch.nn和torch.optim
在使用pytorch搭建神经网络的时候,有两个最常用的包:torch.nn和torch.optim。torch.nn包中主要包含了用来搭建各个层的模块(Modules),比如全连接、二维卷积、池化等;torch.nn包中还包含了一系列有用的loss函数,这些函数也是在训练神经网络时必不可少的,比如CrossEntropyLoss、MSELoss等;另外,torch.nn.functional子包中...原创 2018-07-21 12:28:32 · 15352 阅读 · 1 评论 -
pytorch中图像的数据格式
计算机视觉方面朋友都需要跟图像打交道,在pytorch中图像与我们平时在matlab中见到的图像数据格式有所不同。matlab中我们通常使用函数imread()来轻松地读入一张图像,我们在变量空间中可看到数据的存储方式是H x W x C的顺序(其中H、W、C分别表示图像的高、宽和通道数,通道数一般为RGB三通道),另外,其中的每一个数据都是[0,255]的整数。在使用pytorch的时候,我...原创 2018-07-22 13:17:36 · 10015 阅读 · 1 评论 -
pytorch中的transforms模块
pytorch中的transforms模块中包含了很多种对图像数据进行变换的函数,这些都是在我们进行图像数据读入步骤中必不可少的,下面我们讲解几种最常用的函数,详细的内容还请参考pytorch官方文档(放在文末)。data_transforms = transforms.Compose([ transforms.RandomResizedCrop(224), ...原创 2018-07-22 13:42:55 · 3738 阅读 · 0 评论 -
从python中的一些特殊方法讲到pytorch的官方例子mnist(主要针对pytorch的自定义dataset中的几个特殊函数进行说明)
__str__(self)该方法中必须有一个return调用该方法的时机是print对象时return的内容就是print打印的内容__repr__(self)该方法与__str__(self)方法一样都是打印时调用的其中也必须含有return下面用pytorch官方例子mnist来进行说明:#每一个自定义的dataset都必须继承类torch.utils.da...原创 2018-08-24 17:10:48 · 1873 阅读 · 6 评论 -
从pytorch的transfer learning tutorial讲分类任务的数据读取(深入分析torchvision.datasets.ImageFolder源码)
看了pytorch官方提供的tutorial中transfer learning这个例子,对其中的数据读取部分很是模糊,于是仔细分析了一番,今天写一篇博客记录一下自己所看所得。dataloader下面这段代码最终得到了dataloader,dataloader是python中的可迭代对象,我们可以通过for循环讲数据一一取出。data_transforms = { ...原创 2018-08-25 21:36:04 · 7981 阅读 · 0 评论