Pytorch
文章平均质量分 79
以深度学习框架pytorch实现的一些项目
雨落的太敷衍..
这个作者很懒,什么都没留下…
展开
-
利用SEQ2SEQ模型实现车牌识别
下面完整代码带github仓库:文章目录一、利用车牌模版和字体模型生成车牌二、读取车牌数据三、搭建SEQ2SEQ网络模型四、开始训练网络模型一、利用车牌模版和字体模型生成车牌效果如下:代码如下:import numpy as npimport cv2, os, argparsefrom glob import globfrom tqdm import tqdmfrom plate_number import random_select, generate_plate_number_原创 2020-12-06 14:10:46 · 1036 阅读 · 0 评论 -
Pytorch实现自编码网络
下面完整代码在github仓库:传送门文章目录一、编码网络二、解码网络三、联合解码和编码网络四、开始训练数据五、测试并保存效果图一、编码网络import torchimport torch.nn as nnclass Encoder_Net(nn.Module): def __init__(self): super(Encoder_Net, self).__init__() self.layer1 = nn.Sequential(原创 2020-11-24 12:35:27 · 664 阅读 · 0 评论 -
Pytorch实现Arc Loss (实战)
下面完整代码在github仓库:传送门文章目录一、计算余弦相似度二、定义arc softmax损失函数三、搭建网络模型四、开始训练数据一、计算余弦相似度import torchimport math# 两个向量的普通余弦相似度a = torch.tensor([1, 2, 3], dtype=torch.float32)b = torch.tensor([1, 2, 3], dtype=torch.float32)cos_alpha = a@b / (torch.sqrt(torch.原创 2020-11-24 12:34:51 · 1550 阅读 · 1 评论 -
Pytorch实现CenterLoss(实战)
下面完整代码在github仓库:传送门文章目录一、定义Center loss函数二、搭建网络模型三、开始训练数据一、定义Center loss函数import torchimport torch.nn as nndef center_loss(feature, label, lambdas): center = nn.Parameter(torch.randn(int(max(label).item() + 1), feature.shape[1]), requires_grad=T原创 2020-11-24 12:34:13 · 3961 阅读 · 5 评论 -
pytorch实现相关网络模型(实战)
下面完整代码在github仓库:传送门文章目录一、加载预训练模型DenseNet、并微调二、网络模型EfficientNet三、像素混洗四、残差块五、加载预训练模型VGG19,并训练一、加载预训练模型DenseNet、并微调import numpy as npimport torchimport torch.nn as nnfrom torchvision import transforms,datasets,modelsimport torch.utils.data as dataim原创 2020-11-24 12:33:37 · 981 阅读 · 0 评论 -
Pytorch实现波形信号拟合
下面完整代码在github仓库:传送门文章目录一、生成随机数据并保存成文件二、搭建网络并且开始训练一、生成随机数据并保存成文件import torch# 在100到200范围内生成5个数据train_data = torch.randint(100, 200, (5, ), dtype=torch.float32)for i in range(5): # 在生成的五个数据中让它们有一定范围性的波动(-2,2) gen_data = train_data + torch.r原创 2020-11-24 12:32:46 · 1169 阅读 · 0 评论 -
Pytorch实现小黄人侦测(实战)
下面完整代码在github仓库:传送门文章目录一、批量合成小黄人和背景图片二、定义需要训练的数据集三、搭建网络模型四、开始训练数据五、测试小黄人图片六、辅助工具6.1 爬取背景图片一、批量合成小黄人和背景图片import osimport numpy as npfrom PIL import Imagedef gen_datasets(bg_path, minions_path, img_path, label_path): count = 0 with open(labe原创 2020-11-24 12:35:54 · 560 阅读 · 0 评论 -
Pytorch训练cifar10数据集
下面完整代码在github仓库:传送门文章目录一、利用卷积神经网络训练cifar10数据集二、查看1D卷积、2D卷积、3D卷积一、利用卷积神经网络训练cifar10数据集from torch.utils.data import DataLoaderfrom full_conv import Netimport matplotlib.pyplot as pltimport torchfrom torch import nnfrom torchvision import transforms原创 2020-11-23 09:04:01 · 825 阅读 · 0 评论 -
Pytorch实现猫狗识别
下面完整代码在github仓库:传送门文章目录前言一、定义自己的数据集二、开始训练猫狗数据三、辅助工具3.1 随机采样猫狗数据3.2 将猫狗数据集分成训练集、验证集前言猫狗识别的数据在百度网盘: 链接:https://pan.baidu.com/s/1_jgubf2Ay47ONnhcJcQ-ng 提取码:2re9一、定义自己的数据原创 2020-11-23 09:03:13 · 2002 阅读 · 1 评论 -
Numpy实现one-hot独热编码
下面完整代码在github仓库:传送门文章目录一、实现one-hot编码并测试二、在多个维度里填充数据一、实现one-hot编码并测试import numpy as npimport torchdef one_hot(w, h, arr): z = np.zeros([w, h]) # 四行七列 # print(z) for i in range(w): # 4 j = int(arr[i]) # 拿到数组里面的数字 # pr原创 2020-11-23 09:02:23 · 1746 阅读 · 0 评论 -
Pytorch实现自定义数据集手写数字识别
下面完整代码在github仓库:传送门文章目录一、将数据打包成数据集二、训练数据一、将数据打包成数据集from torch.utils.data import Dataset, DataLoaderfrom torchvision import transformsfrom PIL import Imageimport osimport torchclass MyDataset(Dataset): def __init__(self, main_dir, is_train=T原创 2020-11-23 09:01:12 · 1660 阅读 · 0 评论 -
Pytorch实现手写数字识别
下面完整代码在github仓库:传送门文章目录一、全连接神经网络实现手写数字识别二、卷积神经网络实现手写数字识别一、全连接神经网络实现手写数字识别import torchimport torch.nn as nnfrom torchvision import datasets, transformsfrom torchvision.utils import make_gridfrom torch.utils import dataimport matplotlib.pyplot as p原创 2020-11-23 09:00:17 · 939 阅读 · 0 评论 -
深度学习涉及到的线性代数(实战二)
下面完整代码在github仓库:传送门文章目录一、查看形状类型二、轴交换三、维度变换四、行列式五、转置六、画激活函数七、利用随机数表示BP算法八、创建线性分类器九、线性回归十、ndarray转tensor十一、Pytorch实现线性分类器十二、Pytorch实现线性回归一、查看形状类型import numpy as npimport torch# 形状类型查看a = np.array([[1, 2], [3, 4]])print(a.shape, np.shape(a), a.dtype原创 2020-11-23 08:59:32 · 190 阅读 · 0 评论 -
深度学习涉及到的线性代数(实战一)
下面完整代码在github仓库:传送门文章目录一、矩阵的加减法二、数乘(叉乘)三、矩阵相乘四、计算向量的余弦相似度五、计算内积、外积六、向量的点乘七、奇异值分解八、对角阵九、最小二乘法十、特征值十一、特征方程十二、矩阵求逆十三、行列式一、矩阵的加减法import torch# 矩阵的加减法a = torch.arange(6).reshape(2, 3)b = torch.arange(2).reshape(2, 1)c = torch.arange(3).reshape(1, 3)d原创 2020-11-23 08:58:39 · 401 阅读 · 0 评论