- 博客(16)
- 收藏
- 关注
RSS订阅原创 现代卷积神经网络
这种网络只看卷积nin卷积构成部分，最后输出是四维特征矩阵，而标签里存储的是二维（样本数，分类数），所以这时候的输出还需要两层网络，第一层是自适应池 nn.AdaptiveAvgPool2d((1, 1))），用于把图片全部特征汇聚为1*1（样本数，通道（分类数），1，1），第二层是展平层（注：哪怕展平后的二维矩阵（样本数，分类数），也不是可以与标签比较的矩阵，还需要进行一个归一化，有时候也可以在之前上一层sigmoid，最后需要进行max()来进行独热编码。3，四条路线输出通道都可以自定义，方便定制。
2023-04-19 22:52:37
153
原创 卷积汇聚层
1.用于做最后一层，不具有权重矩阵，只能进行单一的求平均核最大值，输入通道和输出通道直接联通，几个输入几个输出，默认步幅和填充情况下。可以设置填充和步幅，相当于对之前结果的汇总。2.一个完整神经卷积网络由输入图像，卷积网络层（输入通道，输出通道，卷积大小，步幅和填充），一些全连接层，以及汇聚层组成。
2023-04-11 07:52:29
94
原创 卷积多输入多输出
2.(a,b,c,d)分别代表输出通道，输入通道，卷积形状(c,d).可以认为卷积数目就是输出通道乘以输入通道，每一行，相当于与输入图片通道相当的卷积数目，一个通道对应一个卷积，而有多少行，就是有多少组特点的卷积组成。1.函数比较：torch.cat是合并式拼接，而torch.stack是增加维度不合并拼接，需要张量形式完全相同。比如两个（2，2，2）的，cat按照dim=0得出（4，2，2），stack得出（2，2，2，2）3.1*1卷积层相当于一个线性层。默认情况下不会改变输入输出形状。
2023-04-10 07:33:01
85
原创 卷积网络填充和步幅
1.填充:用于扩充数据尺寸，增加像素，减少输出图像相对于原图的像素损失，提升模型广泛性以及方便图像的形状保持。一边填充总数按照对应对应卷积核的行列分别做：比如行：假如卷积核有k行，则p总=k-1（如果步幅为1，则这样输出输入同型），上下各自k-1/2行填充，列同样。2.步幅：指定一次读多少格子，比如（3，4），则水平读每次读三格，竖直四格，默认横竖为1.举例：输入为（8，8），经过。
2023-04-09 20:59:57
169
原创 图像卷积初步
1.卷积核和图片执行互相关运算，图片为(a,b),核为(k,l),则输出图片为(a-k+1,b-l+1)，相当于核全部扫描一遍图片，每次一个局部，之后产生对应于检测某种特征的权重矩阵（比如黑白分界特征）。一般训练集会给出希望得到的特征分类，比如垂直边缘矩阵等，然后给出预期的卷积核模样，之后我们进行多次训练，然后随着损失减小，卷积核（权重矩阵）会越来越接近预期矩阵。4.直接conv2d.weight引用的时parameter类型，.data后则是tensor类型，才可以切片赋值。
2023-04-09 12:30:49
36
原创 层和块基础知识：
('0.weight', torch.Size([8, 4])) ('0.bias', torch.Size([8])) ('2.weight', torch.Size([1, 8])) ('2.bias', torch.Size([1]))分别是第一层的参数，第三层的参数。clone = MLP(),clone.load_state_dict(torch.load('mlp.params')),（假设原模型是MLP())，只需要使用该函数即可将参数直接施加到模型上。2.对于块内参数调用直接切片调用即可，
2023-04-09 11:07:31
39
原创 kaggle房价预测：项目流程
第一个参数是文件的目录，第二个包含四种模式'r','w','rb','wb'，'r''w'会以文本的方式打开文件，内容包含字符串等都可以,'rb''wb'会以二进制数字类型打开，数据会全部以二进制展示。3.os.makedirs( ,exist_ok=)，这是一个文件夹（目录）创建函数，第一个参数是文件夹（目录，可以是多级）（mksir是只能新建一级），第二个参数如果True，则当目录已经存在，跳过该语句，如果False则会报错并中断执行。tarfile-用来解压'tar''gz'格式文件的库；
2023-04-07 08:03:26
190
原创 李沐-多层感知机,优化方案
4.l2正则化本质就是加了一个平方惩罚项，其他类似，唯独在给优化算法输入参数时加入调用正则化系数：trainer = torch.optim.SGD([{"params":net[0].weight,##"weight_decay":wd##这里对weight使用正则化##}，{"params":net[0].bias}],lr)对比：trainer = torch.optim.SGD(net.parameters(), lr=lr)这里就没有包含正则化项。1.mlp-全连接层-每个输入均影响输出。
2023-04-04 11:33:38
293
原创 李沐-softmax从0开始实现
8.Accumulator()：可以索引的计数器，例如：Accumulator(2)代表有两个计数单元，可以通过.add()进行添加，每用一个逗号跨一个单元。简单实现：一.数据，二.初始化：1.网络初始化：定义网络结构，2.设计层参数初始化函数，3.apply()为网络添加初始化函数以初始化网络每一次，三。过程：1-读取数据，2-初始化参数，3-定义模型：1-softmax操作，2-模型本体，4-损失函数，5-训练-反向和梯度有自动化，所以不需要专门定义。2，模块判断：(函数，模块);
2023-04-02 20:32:12
116
原创 李沐--图像分类数据集
eg：torchvision.datasets.FashionMNIST( root=, train=True, transform=, download=True)：train：是否为训练集， transform：使用什么转换方式（可以从transforms组件中选择），download：是否下载对应数据集。5对4.对于获得的数据，一般是一个X对一个Y，X每个为（1，行，列）{通道数：1（彩色图片是3），图片宽度，图片长度}。10，imshow()可以接收二维，三维甚至多维数组。
2023-04-01 16:18:49
306
原创 pytorch线性回归简洁实现总结
用于读取dataset，类似于pd.read类型的1.batch_size指的一次取的批量大小，2.shuffle=False, sampler=None,指的是否打乱以及不打乱用什么方式取得，3.取得批量超额是否舍弃最后一批，4.timeout=0，超额截断。5.nn.Linear(2, 1)，打造一个线性层（无激活函数），且（2，1）分别指输入输出特征，即w为（2，1），相当于上一层是两个节点，这一次一个节点。6..weight.data，.bias.data，可以调用对应的w和b。
2023-03-30 18:39:45
83
原创 线代微分的一些注意点
6，y，x都是变量，应为.backward()不能识别要求那个变量，所以只能单变量微分。如果要求z对x的偏导数，需要使用.detach(),使u具有和y除了求导外相同功能同时不会取代y，所以需要y对于x的偏导数仍旧可以用y求。线代：1.A是一个（5，4）的矩阵，现在A.sum(axis=1），得到的是（5，）的向量，要reshape（5，1），或者直接使用keepdims = True。4，对以x为变量的函数用.backward可以求导（要求：该函数为标量，不是则要先sum（），之后再求）
2023-03-29 21:06:02
65
原创 数据集简单创建和读取
4.pd.get_dummies():对非数字列转换成独热编码，（如果没有dummy_na=True会自动舍弃独热后为1的NaN分类）2.iloc[]：对dataframe操作用iloc，按照行列序号索引；对张量，元组可以直接切片；打开数据集用with open，不能可视化数据，但是可以通过函数操作文件内部，比如.write。{path一般使用os.path.join进行路径拼接，也可以直接用于索引}1.read类型，多种，不同数据集不同读取（读取的文件可以print可视化）
2023-03-29 19:30:39
189
原创 神经网络优化总结：
ONE：初始化：1，总体的初始方式：{1：zeros：全0初始化，对w不能用，一般对b用；2，每一层初始方式：批量归一化：{由对特征的归一化延申，现在对每层的z归一化（A的上一级），同时由于归一化矩阵为平均值为0，方差为1，为了更好体现特征，引入参数fan，beta，即znorm1 = fan*znorm0 + beta。3：adam'：v+s：在2的基础上，进行根据导数大小相应的乘法}SECOND：算法：1，批量选择：{1：总体；2：随机：一次一个数据，随机性强，波动大，快；
2023-03-29 18:41:34
40
原创 优化算法-
这里的v可以认为是dw，db的修正项，v["dW" + str(l + 1)] = beta * v["dW" + str(l + 1)] + (1 - beta) * grads["dW" + str(l + 1)]，vdw,vdb实际上是对grads中dw,db的持续修正项，由于只和vdw本身以及dw有关，而vdw一般初始化为0，所以多次迭代才会有比较好的效果。adam使用了v，s，相当于用v减小竖直，叠加水平；用s相当于d越大，缩减越大，d越小，缩减越小，所以通过加权惩罚梯度，导致梯度下降更好。
2023-03-27 19:42:02
50
原创 深度学习记录笔记-初始化，正则化，梯度检验
1.初始化：（修正的问题：防止梯度爆炸或者消失）w一般he初始化，b一般zeros初始化（random初始化一般需要乘小系数，因为sigmoid，tanh中w导致z过大，梯度下降缓慢（w为0梯度下降就为0）2.元组和数组：元组只要是用逗号隔开如a=(x,c),无论x，c本身是数字还是元组，其得到数目都是（2，）；数组如果是两个，则得到（2，x.shape[1]),同样无论x，c的种类，但是需要同形式。2.zeros()中必须是（，）这种，而randn（）中则是直接放数字加逗号，shape（）中都可以。
2023-03-26 21:15:19
71
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人