PyTorch
高效入门的一些案例,秉承优达简洁,高效,实用的特点;
科学边界
这个作者很懒,什么都没留下…
展开
-
PyTorch 08: PyTorch实现迁移学习(densenet121,resnet,,alexnet等)
现在,我们来学习如何使用预训练的网络解决有挑战性的计算机视觉问题。你将使用通过 ImageNet 位于 torchvision 上训练的网络。ImageNet 是一个庞大的数据集,包含 100 多万张有标签图像,并涉及 1000 个类别。.它可用于训练采用卷积层结构的深度神经网络。我不会详细讲解卷积网络,但是你可以观看此视频了解这种网络。训练过后,作为特征检测器,这些模型可以在训练时未使用的图像上达到惊人的效果。对不在训练集中的图像使用预训练的网络称为迁移学习。我们将使用迁移学习训练网络分类猫狗照片并达原创 2020-05-15 18:40:56 · 9062 阅读 · 1 评论 -
PyTorch 07: PyTorch加载图像数据
到目前为止,我们一直使用的都是虚拟数据集。但在实际运用里,你会处理一些完整尺寸的图像,例如智能手机摄像头拍摄的图像。现在,我们将学习如何加载图像并使用它们训练神经网络。我们将使用猫狗照片数据集(从 Kaggle 上可以获得)。下面是几个示例图像:我们将使用该数据集训练神经网络区分猫和狗。五年前,这对于计算机视觉系统来说,是一项巨大的挑战。现在,它的应用就很普遍了。%matplotlib inline%config InlineBackend.figure_format = 'retina'im原创 2020-05-15 18:32:19 · 1679 阅读 · 0 评论 -
PyTorch 06: PyTorch保存和加载模型
下面学习如何使用 PyTorch 保存和加载模型。我们经常需要加载之前训练过的模型,或继续用新的数据训练模型。所以这部分还是挺重要的。%matplotlib inline%config InlineBackend.figure_format = 'retina'import matplotlib.pyplot as pltimport torchfrom torch import nnfrom torch import optimimport torch.nn.functional as原创 2020-05-15 18:23:57 · 1538 阅读 · 0 评论 -
PyTorch 05: PyTorch推理和验证
在训练神经网络之后,你现在可以使用它来进行预测。这个过程通常称为推理过程,这一术语来自统计学。然而,神经网络在面对训练数据时往往表现得太过优异,因而无法泛化到未见过的数据。这称之为过拟合,会影响推理效果。为了在训练中测试过拟合情况,我们会使用非训练集中的数据(称为验证集)衡量效果。在训练期间监测验证效果时,我们使用正则化避免过拟合。在此 notebook 中,我将演示如何在 PyTorch 中防止过拟合。和之前一样,首先通过 torchvision 加载数据集。这次,我们将使用测试集,你可以通过设置 tr原创 2020-05-15 18:21:51 · 4872 阅读 · 0 评论 -
PyTorch 04: 用PyTorch实现Fashion-MNIST
好了,我们来实战演练。你将使用 Fashion-MNIST 数据集。对于神经网络来说,MNIST 的规模很小,可以轻松地达到 97% 的准确率。Fashion-MNIST 包括很多 28x28 灰色服饰图像。它比 MNIST 更复杂,也更贴近实际现实需求。你要在这个 notebook 里构建神经网络。其实你可以用 Part 3 notebook 里的代码,但是这样就学不到任何知识了。只有自己编写代码并确保代码能运行,才能实现最佳学习效果。当然,你可以参考 Part 3 notebook。首先,通过 t原创 2020-05-15 18:17:17 · 2030 阅读 · 1 评论 -
PyTorch 03: 训练神经网络
我们在上个部分构建的神经网络其实不太成熟,它还不能识别任何数字。具有非线性激活函数的神经网络就像通用函数逼近器一样。某些函数会将输入映射到输出。例如,将手写数字图像映射到类别概率。神经网络的强大之处是我们可以训练网络以逼近这个函数,基本上只要提供充足的数据和计算时间,任何函数都可以逼近。一开始网络很朴素,不知道将输入映射到输出的函数。我们通过向网络展示实际数据样本训练网络,然后调整网络参数,使其逼近此函数。要得出这些参数,我们需要了解网络预测真实输出的效果如何。为此,我们将计算损失函数(也称为成本),原创 2020-05-15 18:11:50 · 1414 阅读 · 0 评论 -
PyTorch 02:通过 PyTorch 构建神经网络
深度学习网络一般量级都很大,包含数百个层级,这也是为什么叫“深度”学习网络。你可以像在上个 notebook 展示的一样,仅使用权重矩阵构建深度网络,但是这通常很繁琐并且不好实施。PyTorch 有一个很方便的模块 nn,可以有效地构建大型神经网络。# Import necessary packages%matplotlib inline%config InlineBackend.figure_format = 'retina'import numpy as npimport torchi原创 2020-05-15 18:07:05 · 677 阅读 · 0 评论 -
PyTorch 01:深度学习工具 PyTorch 简介
在此 notebook 中,你将了解 PyTorch,一款用于构建和训练神经网络的框架。PyTorch 在很多方面都和 Numpy 数组很像。毕竟,这些 Numpy 数组也是张量。PyTorch 会将这些张量当做输入并使我们能够轻松地将张量移到 GPU 中,以便在训练神经网络时加快处理速度。它还提供了一个自动计算梯度的模块(用于反向传播),以及另一个专门用于构建神经网络的模块。总之,与 TensorFlow 和其他框架相比,PyTorch 与 Python 和 Numpy/Scipy 堆栈更协调。神经网络原创 2020-05-15 17:58:37 · 432 阅读 · 0 评论 -
PyTorch 0:相关文章列表
本认为Keras够方便了,接触了pytorch,发现这才是倚天剑。原创 2020-05-15 17:47:38 · 217 阅读 · 0 评论