![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Pytorch基础
骚火棍
这个作者很懒,什么都没留下…
展开
-
pytorch+CUDA+cuDNN安装
https://blog.csdn.net/qq_38140292/article/details/114157146转载 2021-07-08 16:33:48 · 277 阅读 · 0 评论 -
Pytorch基础-07-自动编码器
自动编码器(AutoEncoder)是一种可以进行无监督学习的神经网络模型。一般而言,一个完整的自动编码器主要由两部分组成,分别是用于核心特征提取的编码部分和可以实现数据重构的解码部分。1 自动编码器入门在自动编码器中负责编码的部分也叫作编码器(Encoder),而负 责解码的部分也叫作解码器(Decoder)。编码器主要负责对原始的输 入数据进行压缩并提取数据中的核心特征,而解码器主要是对在编码器 中提取的核心特征进行展开并重新构造出之前的输入数据。如上图就是一个简化的自动编码器模型,它的主要结构原创 2020-11-10 11:25:24 · 1455 阅读 · 0 评论 -
Pytorch基础-06-多模型融合(VGG16+ResNet50之猫狗分类)
1.多模型融合中的问题:首先,在使用融合神经网络模型的过程中遇到的第1个问题就是训练复杂神经网络非常耗时,因为优秀的模型一般都是深度神经网络模型,这些网络模型的特点是层次较深、参数较多,所以对融合了多个深 度神经网络的模型进行参数训练,会比我们使用单一的深度神经网络模 型进行参数训练所耗费的时间要多上好几倍。对于这种情况,我们一般 使用两种方法进行解决:挑选一些结构比较简单、网络层次较少的神经 网络参与到多模型融合中;如果还想继续使用深度神经网络模型进行多 模型融合,就需要使用迁移学习方法来辅助模型的融合原创 2020-11-09 17:28:04 · 14540 阅读 · 15 评论 -
Pytorch基础-05-迁移学习-02(VGG16、ResNet50之猫狗分类)
1.迁移VGG16下面看看迁移学习的具体实施过程,首先需要下载已经具备最优参数的模型,这需要对我们之前使用的model = Models()代码部分进行替 换,因为我们不需要再自己搭建和定义训练的模型了,而是通过代码自 动下载模型并直接调用,具体代码如下:from torchvision import modelsmodel = models.vgg16(pretrained=True)print (model)在以上代码中,我们指定进行下载的模型是VGG16,并通过设置 prepare=Tr.原创 2020-09-25 22:49:35 · 2693 阅读 · 0 评论 -
Pytorch基础-05-迁移学习-01(自定义VGGNet之猫狗分类)
什么是迁移学习?在深度神经网络 算法的应用过程中,如果我们面对的是数据规模较大的问题,那么在搭 建好深度神经网络模型后,我们势必要花费大量的算力和时间去训练模 型和优化参数,最后耗费了这么多资源得到的模型只能解决这一个问 题,性价比非常低。如果我们用这么多资源训练的模型能够解决同一类 问题,那么模型的性价比会提高很多,这就促使使用迁移模型解决同一 类问题的方法出现。因为该方法的出现,我们通过对一个训练好的模型 进行细微调整,就能将其应用到相似的问题中,最后还能取得很好的效 果;另外,对于原始数据较少的.原创 2020-09-25 17:41:09 · 887 阅读 · 4 评论 -
Pytorch基础-04-实战手写数字识别
我们现在已经学会了基于PyTorch深度学习框架高效、快捷地搭建一个神经网络,并对模型进行训练和对参数进行优化的方法,接下来让我们小试牛刀,基于PyTorch框架使用神经网络来解决一个关于手写数字识别的计算机视觉问题,评价我们搭建的模型的标准是它能否准确地对手写数字图片进行识别。其具体过程是:先使用已经提供的训练数据对搭建好的神经网络模型进行训练并完成参数优化;然后使用优化好的模型对测试数据进行预测,对比预测值和真实值之间的损失值,同时计算出结果预测的准确率。在将要搭建的模型中会用到卷积神经网络模型,下面原创 2020-09-23 18:01:05 · 398 阅读 · 0 评论 -
Pytorch基础-03-模型搭建和参数优化
如何基于PyTorch深度学习框架用简单快捷的方式搭建出复杂的神经网络模型,同时让模型参数的优化方法趋于高效。如同使用PyTorch中的自动梯度方法一样,在搭建复杂的神经网络模型的时候,我们也可以使用PyTorch中已定义的类和方法,这些类和方法覆盖了神经网络中的线性变换、激活函数、卷积层、全连接层、池化层等常用神经网络结构的实现。在完成模型的搭建之后,我们还可以使用PyTorch提供的类型丰富的优化函数来完成对模型参数的优化,除此之外,还有很多防止模型在模型训练过程中发生过拟合的类。1 torch.n原创 2020-09-23 11:52:53 · 410 阅读 · 0 评论 -
Pytorch基础-02-自动梯度
在PyTorch中提供了一种非常方便的方法,可以帮助我们实现对模 型中后向传播梯度的自动计算,避免了“重复造轮子”,这就是接下来要 重点介绍的torch.autograd包。通过使用 torch.autograd 包,可以使模型参 数自动计算在优化过程中需要用到的梯度值,在很大程度上帮助降低了 实现后向传播代码的复杂度。1 torch.autograd和Variabletorch.autograd包的主要功能是完成神经网络后向传播中的链式求 导,手动实现链式求导的代码会给我们带来很大的困扰,而 to原创 2020-09-23 10:47:06 · 794 阅读 · 0 评论 -
Pytorch基础-01-Pytorch中的Tensor
Tensor在PyTorch中负责存储基本数据,PyTorch 针对Tensor也提供了丰富的方法,PyTorch中的Tensor与NumPy数组具有极高的相似性。1.1 Tensor的数据类型(1)torch.FloatTensor:用于生成数据类型为浮点型的Tensor,传 递给torch.FloatTensor的参数可以是一个列表,也可以是一个维度值。(2)(3)(4)(5)(6)...原创 2020-09-23 10:11:31 · 428 阅读 · 0 评论