pytorch
文章平均质量分 57
liulilglitter
这个作者很懒,什么都没留下…
展开
-
pytorch第七课-制作训练数据集
在学习了一系列使用pytorch进行训练的方法之后,我们有一个很重要的点需要注意,就是如何制作自己的数据集,在前面的例子中,我们主要集中于pytorch在算法上的使用,数据集基本都是pytorch提供的,或者是用 data.ImageFolder直接生成的数据+标签(这个方法对于一般的图像问题很好用),但是当我们需要使用类似3D数据,或者不是图片的数据进行训练时,如何制作自己的数据集,就很关键了,下面我会以CT图片(格式 .nii.gz)举例,来进行数据集制作的介绍。...原创 2021-07-15 22:22:58 · 3898 阅读 · 2 评论 -
pytorch学习第六课-实践课 Style Transfer
基本到了最后一课,主要内容是复现论文Image Style Transfer Using Convolutional Neural Networks的内容,这篇论文主要是希望将 图片的 content 和 另外一幅图片的style 合并在一起,生成如下的图片:有兴趣的小伙伴可以去精读一下这篇论文,其实思路很简单,就是使用一个已经训练好的卷积神经网络(可以直接提取特征了),将 含有内容的图片 content image,输入到网络中,得到某些层的输出,作为 content feature,将另外一个含有风原创 2021-07-07 17:30:37 · 123 阅读 · 0 评论 -
pytorch学习第五课-卷积神经网络的Transfer Learning
在做了简单的卷积神经网络LeNet-5进行MINIST识别之后,我们可以进行一些更加复杂的识别任务,比如CIFAR10,CIFAR10是一个有10个分类的分类任务,相对MNIST来说难很多,如果直接使用LeNet-5,或者是加一些数据增强,validation的准确率也只能达到65%左右,所以,想要获得更好的准确率,我们这里使用一下最简单的Transfer Learning,Transfer Learing...原创 2021-07-03 21:56:29 · 290 阅读 · 2 评论 -
pytorch学习第四课-卷积网络-MNIST识别
上次用全连接网络,实现了MNIST手写字体的识别,validation的准确度为96%左右,现在我们使用卷积神经网络来看看最后的识别准确度,这里我们用LeNet-5来进行MNIST手写字的识别:首先还是加载数据集:import torchimport torch.nn as nnfrom torchvision import datasets,transformsimport numpy as npimport matplotlib.pyplot as plttransform=trans原创 2021-07-02 14:32:53 · 158 阅读 · 1 评论 -
pytorch学习第三课-全连接网络2-MNIST分类
完成了简单的全连接网络之后,我们是用pytorch进行MNIST手写数字的分类问题,这次的网络相对复杂一下,输入输出和hidden layer都更多,表达能力更强首先是下载MINIST的数据集:import torchimport torch.nn as nnfrom torchvision import datasets, transformsimport torch.nn.functional as Fimport matplotlib.pyplot as pltimport numpy原创 2021-07-01 10:03:45 · 436 阅读 · 0 评论 -
pytorch学习第二课- 全连接网络分类
下面进行全连接网络的学习,对于全连接网络的简单理解,可以认为是多个线性分类的组合,当直线不能完成复杂分类任务的时候,我们可以将非线性边缘分解为多个线性边缘的组合,推荐一个网站,可以直观的感受到多个线性分类器组合后的分类效果:https://playground.tensorflow.org/hidden layer中仅有一个 node的时候,相当于仅有一个线性分类器,所以最后的分类效果边界是直线:当有两个node的时候,相当于两个线性分类器,进行组合,最后可以看到基本是两个线性边界有3个node原创 2021-06-30 14:31:46 · 983 阅读 · 0 评论 -
Pytorc学习第一课-线性回归和逻辑回归
主要学习Pytorch的基本使用步骤和基本逻辑:首先 生成数据集:import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as pltx=torch.randn(100,1)*10 #生成100个1维的随机数y=x+3* torch.randn(100,1) #生成y,添加一些扰动plt.plot(x.numpy(),y.numpy(),'o') #画图看一下然后 建立学习的class原创 2021-06-21 14:41:37 · 125 阅读 · 0 评论