Pytorch
文章平均质量分 72
介绍Pytorch的常用API,熟悉Pytorch框架搭建的步骤
CleMints
Attachment to Code
展开
-
Windows快速安装Torch1.8.1+torchvision0.9最新教程
网上很多Torch/Torchvision安装教程但是大部分都不实用,根据我的安装经验先介绍之前安装所出现的问题吧Torch不像numpy/pandas等这些包体积小,在Prompt/cmd终端通过pip或conda就能快速安装,所以通过一行命令往往装到一半就超时了,即是通过清华、阿里源镜像安装还是会超时。这篇Blog就是介绍通过源文件(xxx.whl)下载快速安装Torch的!1、进入PyTorch官网,在首页选择安装版本这里根据自己电脑的配置要求,选择操作系统、cpu/gpu等。一步安装的方法原创 2021-03-25 16:14:16 · 13504 阅读 · 5 评论 -
Task5:Pytorch模型集成
一、前言集成学习是指通过构建并结合多个学习器来完成学习任务的分类系统。在机器学习中可以通过Stacking、Bagging、Boosting等常见的集成学习方法来提高预测精度,而在深度学习中,可以通过交叉验证的方法训练多个CNN模型,然后对这些训练好的模型进行集成就可以得到集成模型,从而提高字符识别的精度。如下图:以上通过10折交叉验证,可训练得到10个CNN模型,集成方法有:平均法:将10个模型预测结果的概率取平均值,然后解码为具体字符投票法:对10个模型预测结果进行投票,得到最终字符原创 2020-06-02 19:21:28 · 4443 阅读 · 0 评论 -
Task4:Pytorch实现模型训练与验证
目录一、前言二、模型训练与验证三、保存模型与调参一、前言DL中,当构建了一个CNN模型,只是定义了一个Input、Output接口,无论是单张图片还是Batch多张图片,都需要取训练这个模型以达到目的得参数,训练一个模型一般有三个步骤:分别定义两个数据集trainsets和validsets,分别完成模型的训练与验证保存最优参数(权重、偏置等)记录trainsets和validsets的精度,便于调参。通过以上的步骤,可以得到CNN模型的参数了,利用训练的参数可以对任意输入图像进行测试了。原创 2020-05-30 22:53:31 · 17251 阅读 · 8 评论 -
Task3:Pytorch构建简易CNN字符识别模型
目录一、前言二、Pytorch构建简易CNN模型一、前言在上一节中我们将Datasets封装成DataLoder,可以完成数据集的读取,实际训练过程还需要构建一个CNN模型,通过fetch数据的方式,来训练出我们所期望的模型参数,从而完成字符识别的任务!二、Pytorch构建简易CNN模型import torchtorch.manual_seed(0)torch.backends.cudnn.deterministic = Falsetorch.backends.cudnn.benchmark原创 2020-05-26 22:19:45 · 461 阅读 · 0 评论 -
Task2:Pytorch数据预处理--数据读取与数据扩充
目录一、前言二、数据扩充2.1opencv对图像数据扩充常用Method2.2 Torchvision对图像数据进行扩充常用Method2.3 GAN生成扩充数据三、Pytorch实现数据读取与扩充一、前言在深度学习模型的训练过程中,为了保证模型的泛化能力,通常需要做数据扩充(Data augment),即在原有数据基础上,通过数据变换来生成新的数据从而扩大训练集,提高模型的泛化能力。二、数据扩充使用Python对图像数据处理来说,常用的Package有:opencv-pythonPillow原创 2020-05-23 22:21:57 · 3464 阅读 · 0 评论 -
Datawhale入门CV比赛- 街景字符编码识别(一)
目录前言赛题理解1 学习路径2 运行环境及常用Package安装3 赛题展示4 思路分析5 Datawhale与Tianci官方资料(方便后续查询)前言之前做一些Traditional Image process的任务,这次借助Datawhale重新学习下Deep learning Image process的知识,由于没有下载破解版的pycharm,正好可以熟悉下Jupyer-Notebook搭建网络的方式。希望通过后面几次Tasks的学习,完成几个小目标:熟悉Pytorch,并搭建简单的网络模型原创 2020-05-20 22:54:41 · 252 阅读 · 0 评论