- 博客(77)
- 收藏
- 关注
RSS订阅原创 使用多尺度注意力进行语义分割
有一项重要的技术，通常用于自动驾驶、医学成像，甚至缩放虚拟背景：“语义分割。这是将图像中的像素标记为属于N类中的一个(N是任意数量的类)的过程，这些类可以是像汽车、道路、人或树这样的东西。就医学图像而言，类别对应于不同的器官或解剖结构。NVIDIA Research正在研究语义分割，因为它是一项广泛适用的技术。我们还相信，改进语义分割的技术也可能有助于改进许多其他密集预测任务，如光流预测(预测物体的运动)，图像超分辨率，等等。我们开发出一种新方法的语义分割方法，在两个共同的基准：Cityscapes
2020-12-09 13:31:38
641
原创 产业SOTA的实时实例分割算法SOLOv2，更快更强！
https://github.com/PaddlePaddle/PaddleDetection/tree/release/0.5/configs/solov2这个算法，使用的是PaddleDetection研发团队深度优化过的实时实例分割算法SOLOv2。经过一系列的优化后，SOLOv2-Enhance（PaddleDetection提供的SOLOv2的增强模型，如图五角星所示）的性能表现如下图所示：Tesla V100-SXM2 的单GPU环境中预测速度达到38....
2020-12-07 12:56:53
2370
1
原创 多摄像头实时目标跟踪和计数，使用YOLOv4，Deep SORT和Flask
本文来自github，很实用的一个应用。git仓库地址：https://github.com/LeonLok/Multi-Camera-Live-Object-Tracking这个存储库包含了我的目标检测和跟踪项目。所有这些都可以托管在云服务器上。由于有ImageZMQ，你还可以使用自己的异步处理IP相机。Deep SORT 和 YOLO v4Check out我的Deep SORT repository：https://github.com/LeonLok/Deep-SOR..
2020-11-30 13:02:50
1572
2
原创 目标检测新范式！港大同济伯克利提出Sparse R-CNN，代码刚刚开源！
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals沿着目标检测领域中Dense和Dense-to-Sparse的框架，Sparse R-CNN建立了一种彻底的Sparse框架， 脱离anchor box，reference point，Region Proposal Network(RPN)等概念，无需Non-Maximum Suppression(NMS)后处理， 在标准的COCO benchmark上使用.
2020-11-27 12:36:06
473
原创 简单粗暴的多目标跟踪神器 – DeepSort
目标跟踪问题一直是计算机视觉的热点任务之一，简单的可以分为单目标跟踪与多目标跟踪，最常见的目标跟踪算法都是基于检测的跟踪算法，首先发现然后标记，好的跟踪算法必须具备REID的能力。今天小编斗胆给大家推荐一个结合传统算法跟深度学习，特别好用的目标跟踪算法框架DeepSortDeepSort的核心思想主要分为两块，一块可以简单称为Deep，另外一个可以称为Sort，背后的算法支持分别基于深度学习模型与卡尔曼滤波，是典型的结合深度学习与传统方法的混合算法框架实现了比较稳定的跟踪效果。见得...
2020-11-25 10:05:01
905
原创 1.8M超轻量目标检测模型NanoDet，比YOLO跑得快，上线两天Star量超200
如何把 anchor-free 模型移植到移动端或嵌入式设备？这个项目对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，得到模型大小仅 1.8m、速度超快的轻量级模型 NanoDet-m。目标检测一直是计算机视觉领域的一大难题，其目标是找出图像中的所有感兴趣区域，并确定这些区域的位置和类别。目标检测中的深度学习方法已经发展了很多年，并出现了不同类型的检测方法。目前，深度学习目标检测方法主要分为两大类，分别是两阶段式和单阶段式目标检测算法。两阶段式目...
2020-11-24 22:07:29
1408
原创 使用PyTorch时，最常见的4个错误
这4个错误，我敢说大部分人都犯过，希望能给大家一点提醒。最常见的神经网络错误：1)你没有首先尝试过拟合单个batch。2)你忘了为网络设置train/eval模式。3)在.backward()之前忘记了.zero_grad()(在pytorch中)。4)将softmaxed输出传递给了期望原始logits的损失，还有其他吗？????这篇文章将逐点分析这些错误是如何在PyTorch代码示例中体现出来的。代码：https://github.com/missinglinkai/common
2020-11-20 13:20:09
496
原创 上达最高精度，下到最快速度，Scaled-YOLOv4：模型缩放显神威
分享一篇新出的重要文章：Scaled-YOLOv4: Scaling Cross Stage Partial Network，作者出自YOLOv4的原班人马，其聚焦于针对YOLOv4的模型缩放（model scale）。该文作者信息：论文地址：https://arxiv.org/2011.08036代码地址:https://github.com/WongKinYiu/ScaledYOLOv4旗下重要的三个模型：YOLOv4-CSP（面向普通GPU）:...
2020-11-18 14:08:35
732
原创 医学图像分割：UNet++
使用一系列的网格状的密集跳跃路径来提升分割的准确性。在这篇文章中，我们将探索UNet++: A Nested U-Net Architecture for Medical Image Segmentation这篇文章，作者是亚利桑那州立大学的Zhou等人。本文是U-Net的延续，我们将把UNet++与Ronneberger等人的U-Net原始文章进行比较。UNet++的目标是通过在编码器和解码器之间加入Dense block和卷积层来提高分割精度。分割的准确性对于医学图像至关重要..
2020-11-16 12:18:57
904
原创 看了这7篇论文，你会完全掌握卷积神经网络！
目前，作为深度学习的代表算法之一，卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉、分类等领域上，都取得了当前最好的效果。后来，基于深度神经网络和搜索树的智能机器人“AlphaGo”在围棋上击败了人类，这是CNN 给人们的一个大大的惊喜。一年后的 Master 则更是完虐了所有人类围棋高手，达到神一般的境界，人类棋手毫无胜机。可以说，卷积神经网络是深度学习算法应用最成功的领域之一。目前，CNN应用也十分广泛。例如Fa...
2020-11-13 13:49:24
156
原创 从3D人脸到自动驾驶，CVPR2020十个顶级开源数据集
CVPR2020数据集CVPR2020上开源的十个最有用的数据集，用数据来构建更好的人工智能，数据搬运工从来不应该缺席！下面就是十个数据集的分别解释：01FaceScape一个大规模高质量的3D人脸数据集，包括18760张高质量3D人脸模型，对938名志愿者实现20种表情采集，该数据训练可以实现对单张图像预测3D人脸的细节。适应于非商业开源项目。数据集下载地址：https://facescape.nju.edu.cn/02OASIS全称是...
2020-11-11 10:18:31
479
原创 不要上手就学深度学习！超详细的人工智能专家路线图，GitHub数天获2.1k星
想从事人工智能领域的研究，盲目地在网上购买了一本又一本的参考资料，学习视频刷了一遍又一遍…… 反过头来看，这些方法可能作用并不是很大，却消耗了大量的时间和金钱。这时，一种提纲式的学习途径就显得尤为重要了。如果你想成为数据科学家、机器学习或者AI 专家，而又苦于找不到合适的学习方法，本文将提供一组思路清晰、简单易懂的人工智能专家路线图。这是一家德国软件公司 AMAI GmbH 近期发布的 GitHub 项目——AI 专家路线图（AI-Expert-Roadmap）。该路线图几乎涵盖了 AI 领域所有.
2020-11-10 14:13:29
197
原创 理解卷积神经网络中的自注意力机制
计算机视觉中的编解码结构的局限性以及提升方法。卷积神经网络(CNN)广泛应用于深度学习和计算机视觉算法中。虽然很多基于CNN的算法符合行业标准，可以嵌入到商业产品中，但是标准的CNN算法仍然有局限性，在很多方面还可以改进。这篇文章讨论了语义分割和编码器-解码器架构作为例子，阐明了其局限性，以及为什么自注意机制可以帮助缓解问题。标准编解码结构的局限性图1：标准编解码结构解码器架构(图1)是许多计算机视觉任务中的标准方法，特别是像素级预测任务，如语义分割、深度预测...
2020-11-06 16:14:20
4198
原创 魔改Attention大集合
Github地址：https://github.com/Separius/awesome-fast-attentionEfficient Attention Paper (引用量) 源码实现 复杂度 AutoRegressive Main Idea Generating Wikipedia by Summarizing Long Sequences[1](208) ...
2020-11-04 16:55:35
890
原创 19个神经元控制自动驾驶汽车，MIT等虫脑启发新研究登Nature子刊
这种新型智能系统模仿线虫的神经系统来高效处理信息，比目前具有数百万参数的神经网络架构更加稳健、更易解释且训练速度更快。目前，该研究刊登在《自然-机器智能》子刊。将生物启发神经网络用于自动驾驶汽车。深度神经网络和其他方法众所周知，当数据量足够多时，深度监督模型会被训练得很好，但目前的深度学习仍存在泛化性能不好和训练效率不高的问题，研究人员一直在寻求构建智能模型的新方法。当前人们探求的方向总是更深的网络，但这意味着更高的算力消耗。因此正如人们所思考的那样，必须寻找一种需要更...
2020-11-02 18:57:14
1638
1
原创 PyTorch 1.7来了！支持Windows上的分布式训练，还有大波API袭来
据Facebook 官方博客公告，PyTorch1.7版本已经于前日正式发布，相比于以往的 PyTorch 版本，此次更新除了增加了更多的API，还能够支持 NumPy兼容下的傅里叶变换、性能分析工具，以及对基于分布式数据并行（DDP）和远程过程调用（RPC）的分布式训练。此外，原有的一些功能也转移到了稳定版，包括自定义C++-> 类(Classes)、内存分析器、通过自定义张量类对象进行的扩展、RPC中的用户异步功能以及Torch.Distributed中的许多其他功能，如Per-RPC超.
2020-10-30 09:26:37
1696
原创 ResNet还是DenseNet？即插即用的DS涨点神器来了
论文：https://arxiv.org/abs/2010.12496DSNet比ResNet取得了更好的结果，并且具有与DenseNet相当的性能，但需要的计算资源更少。其中改进的DS2Res2Net性能非常强大。作者单位：韩国科学技术院（KAIST）1、简介 大多数基于深度学习的方法都是通过backbone网络实现的，其中两个最有名的方法就是ResNet和DenseNet。尽管它们具有差不多的性能和受欢迎程度，但它们两个都存在固有...
2020-10-28 17:24:48
1407
原创 PyTorch Lightning 1.0版发布，终于可以抛弃Keras
在过去的几个月里，PyTorch Lightning的团队一直在微调 API、改进文档、录制教程，现在终于向大家分享 PyTorch Lightning 的 V1.0.0版本。现阶段人工智能的发展速度远远超过任何单一框架所能跟上的速度，深度学习的领域更是在不断发展的，主要体现在在复杂性和规模上。类似于Keras，Pytorch Lightning 提供了抽象出所有工程细节，从而方便的使用复杂模型进行交互的一种用户体验。PyTorch Lightning：Pytorch版的...
2020-10-26 12:55:05
816
原创 SINGLE-MACHINE MODEL PARALLEL BEST PRACTICES
模型并行在分布式训练技术中得到了广泛的应用。以前的帖子已经解释了如何使用DataParallel数据并行在多个GPU上训练神经网络；这个特性将相同的模型复制到所有GPU，其中每个GPU消耗输入数据的不同分区。虽然它可以显著加速训练过程，但对于模型太大而不能适应单个GPU的一些用例，它不起作用。这篇文章展示了如何通过使用model parallel模型并行来解决这个问题，与数据并行相比，它将单个模型分割到不同的GPU上，而不是在每个GPU上复制整个模型(具体来说，假设模型m包含10层：当使用数据并行时，每个.
2020-10-23 12:43:00
194
原创 HYPERPARAMETER TUNING WITH RAY TUNE
超参数调参可以使平均模型和高精度模型之间的差异。通常简单的事情，比如选择不同的学习速率或改变网络层大小，都会对您的模型性能产生巨大的影响。幸运的是，有一些工具可以帮助找到参数的最佳组合。Ray Tune是分布式超参数调优的行业标准工具。Ray Tune包括最新的超参数搜索算法，与TensorBoard等分析库集成，并通过Ray’s distributed machine learning engine本地支持分布式训练。在本教程中，我们将向大家展示如何将Ray Tune集成到Py Torch培训..
2020-10-21 13:58:35
457
1
原创 BERT动态量化DYNAMIC QUANTIZATION ON BERT
Introduction在本教程中，我们将紧跟HuggingFace Transformers示例中的BERT模型，对BERT模型应用动态量化。通过这一循序渐进的过程，我们将演示如何将BERT等众所周知的最新模型转换为动态量化模型。BERT，或者说Transformers的双向嵌入表示法，是一种预训练语言表示法的新方法，可以在许多流行的自然语言处理（NLP）任务（例如问题解答，文本分类，和别的。原始文件可以在这里找到。 PyTorch中的动态量化支持将浮点模型转换为具有静态int8或flo...
2020-10-14 12:53:06
1695
3
原创 剪枝PRUNING TUTORIAL
最新的深度学习技术依赖于难以部署的过度参数化模型。相反，已知生物神经网络使用有效的稀疏连通性。为了减少内存，电池和硬件消耗，同时又不牺牲精度，在设备上部署轻量级模型并通过私有设备上计算来确保私密性，确定通过减少模型中的参数数量来压缩模型的最佳技术很重要。在研究方面，剪枝用于研究参数过度配置和参数不足网络之间学习动态的差异，以研究幸运稀疏子网络和初始化（“lottery tickets”）作为破坏性神经体系结构搜索技术的作用，以及更多。在本教程中，将学习如何用于torch.nn.utils.prune稀疏
2020-10-12 18:42:02
649
1
原创 WHAT IS A STATE_DICT IN PYTORCH
在PyTorch中，模型的可学习参数（即权重和偏差）torch.nn.Module包含在模型的参数中（通过访问model.parameters()）。Astate_dict只是一个Python字典对象，它将每个图层映射到其参数张量。Introduction如果有兴趣从PyTorch保存或加载模型，则state_dict是不可或缺的实体。由于state_dict对象是Python字典，因此可以轻松地保存，更新，更改和还原它们，从而为PyTorch模型和优化器增加了很多模块化。请注意，只有...
2020-10-09 16:53:25
178
1
原创 MODEL INTERPRETABILITY USING CAPTUM
Captum可帮助大家了解数据特征如何影响模型预测或神经元激活，从而阐明模型的运行方式。使用Captum，可以以统一方式应用广泛的最新功能归因算法，例如GuidedGradCam和ntegratedGradients接下来将学习如何使用Captum来：*将图像分类器的预测归因于其相应的图像特征。*可视化attribution结果Before you begin确保Captum已安装在活动的Python环境中。Captum既可以在GitHub上作为pip软件包使用，也可以作为cond...
2020-10-07 11:11:29
669
原创 如何在PYTORCH中使用TENSORBOARD
TensorBoard是用于机器学习实验的可视化工具包。TensorBoard允许跟踪和可视化指标，例如损失和准确性，可视化模型图，查看直方图，显示图像等等。在本教程中，我们将介绍TensorBoard的安装，PyTorch的基本用法以及如何可视化在TensorBoard UI中登录的数据。安装应该安装PyTorch以将模型和指标记录到TensorBoard日志目录中。以下命令将通过Anaconda安装PyTorch 1.4+（推荐）：$ conda install pytorch to.
2020-10-05 22:03:00
939
原创 引入本地PyTorch自动混合精度以在NVIDIA GPU上进行更快的训练
默认情况下，大多数深度学习框架（包括PyTorch）都采用32位浮点（FP32）算法进行训练。但是，对于许多深度学习模型而言，这对于获得完全准确性不是必需的。2017年，NVIDIA研究人员开发了一种用于混合精度训练的方法，该方法在训练网络时将单精度（FP32）与半精度（例如FP16）格式结合在一起，并使用相同的超参数实现了与FP32训练相同的精度， NVIDIA GPU的其他性能优势：训练时间更短； 较低的内存要求，可实现更大的批处理大小，更大的型号或更大的输入。为了简化为研究人员和从业人员提供的
2020-10-02 03:12:09
1296
原创 用于加密安全随机数生成的PyTorch框架torchcsprng
现代密码学的关键组成部分之一是伪随机数生成器。Katz和Lindell表示：“使用设计不当或不合适的随机数生成器通常会使好的密码系统容易受到攻击。必须格外小心，使用专为密码使用而设计的随机数生成器，而不是使用“通用”随机数生成器，这对于某些应用程序可能是好的，但对于那些要求密码安全的应用程序却不是。” [1]此外，由于大多数伪随机数生成器的顺序性质，它们无法很好地扩展到大规模并行高性能计算。其他人不满足密码安全属性。torchcsprng是PyTorchC ++ / CUDA扩展，可为PyTor..
2020-09-30 12:37:44
1085
1
原创 将模型从PYTORCH导出到ONNX并使用ONNX RUNTIME运行
在本教程中，我们描述了如何将PyTorch中定义的模型转换为ONNX格式，然后在ONNX Runtime中运行它。ONNX Runtime是针对ONNX模型的以性能为中心的引擎，可在多个平台和硬件（Windows，Linux和Mac以及CPU和GPU上）高效地进行推理。ONNX运行时已被证明大大增加了多种型号的性能，说明这里对于本教程，大家将需要安装ONNX和ONNX Runtime。大家可以使用来获取ONNX和ONNX Runtime的二进制版本。请注意，ONNX运行时与Python 3.5至..
2020-09-28 09:59:46
3169
1
原创 在C ++中加载TORCHSCRIPT模型
顾名思义，PyTorch的主要接口是Python编程语言。尽管Python是许多需要动态性和易于迭代的场景的合适且首选的语言，但在同样许多情况下，Python的这些属性恰恰是不利的。后者通常适用的一种环境是生产-低延迟和严格部署要求的土地。对于生产场景，即使只将C ++绑定到Java，Rust或Go之类的另一种语言中，它通常也是首选语言。以下段落将概述PyTorch提供的从现有Python模型到可以加载和执行的序列化表示形式的路径完全来自C ++，不依赖Python。步骤1：将PyTorch模型..
2020-09-25 16:24:44
889
1
原创 TORCHSCRIPT简介
本教程是TorchScript的简介，TorchScript是PyTorch模型（的子类nn.Module）的中间表示，可以在高性能环境（例如C ++）中运行。在本教程中，我们将介绍：PyTorch中模型创作的基础，包括：模组 定义forward功能 将模块组成模块的层次结构将PyTorch模块转换为TorchScript（我们的高性能部署运行时）的特定方法跟踪现有模块 使用脚本直接编译模块 如何组合这两种方法 保存和加载TorchScript模块我们希望在完成本教程之后，大家将继
2020-09-23 13:38:38
1550
原创 通过带有FLASK的REST API在PYTHON中部署PYTORCH
在本教程中，我们将使用Flask部署PyTorch模型，并公开用于模型推断的REST API。特别是，我们将部署预训练的DenseNet 121模型来检测图像。TIPAll the code used here is released under MIT license and is available onGithub.API Definition我们将首先定义API端点，请求和响应类型。我们的API端点将在/predict该端点接受带有file包含图像的参数的HTTP POST请..
2020-09-21 16:45:19
407
原创 强化学习（DQN）教程REINFORCEMENT LEARNING (DQN) TUTORIAL
本教程显示了如何使用PyTorch在OpenAI Gym的CartPole-v0任务上训练深度Q学习（DQN）agent。agent必须在两个动作之间做出决定-向左或向右移动推车-以便使与之相连的电线杆保持直立。您可以在Gym网站上找到具有各种算法和可视化效果的官方排行榜。cartpole当代理观察环境的当前状态并选择一个动作时，环境会转换为新状态，并返回指示该动作后果的奖励。在此任务中，每增加一个时间步长，奖励为+1，并且如果杆子掉落得太远或手推车离中心的距离超过2.4个单位...
2020-09-18 15:37:08
927
原创 DCGAN TUTORIAL
Introduction本教程将通过一个示例对DCGAN进行介绍。在向其展示许多真实名人的照片之后，我们将训练一个生成对抗网络（GAN）来产生新名人。此处的大多数代码来自pytorch / examples中的dcgan实现，并且本文档将对该实现进行详尽的解释，并阐明此模型的工作方式和原因。但是请放心，不需要GAN的先验知识，但是可能需要新手花一些时间来推理引擎盖下的实际情况。同样，为了节省时间，拥有一两个GPU也将有所帮助。让我们从头开始。生成对抗网络Generative Adversar..
2020-09-14 13:15:50
469
原创 对抗性的例子生成ADVERSARIAL EXAMPLE GENERATION
如果你正在阅读这篇文章，希望你能理解一些机器学习模型是多么有效。研究不断推动ML模型更快、更准确、更高效。然而，设计和训练模型的一个经常被忽视的方面是安全性和健壮性，特别是在面对希望愚弄模型的对手时。本教程将提高您对ML模型的安全漏洞的认识，并将深入了解对抗性机器学习的热门话题。大家可能会惊讶地发现，在图像中添加不可察觉的扰动会导致截然不同的模型性能。鉴于这是一个教程，我们将通过图像分类器上的示例来探讨这个主题。具体来说，我们将使用第一种也是最流行的攻击方法之一，Fast Gradient Sign .
2020-09-11 20:06:33
1168
2
原创 TRANSFER LEARNING FOR COMPUTER VISION TUTORIAL
在本教程中，大家将学习如何使用迁移学习训练卷积神经网络进行图像分类。大家可以在cs231n notes阅读有关迁移学习的更多信息。引用这些注释，在实践中，很少有人从头开始训练整个卷积网络（使用随机初始化），因为拥有足够大小的数据集相对很少。取而代之的是，通常在非常大的数据集上对ConvNet进行预训练（例如ImageNet，其中包含120万个具有1000个类别的图像），然后将ConvNet用作初始化或固定特征提取器以完成感兴趣的任务。这两个主要的迁移学习方案如下所示：微调convnet：
2020-09-09 12:21:00
297
原创 TORCHVISION OBJECT DETECTION FINETUNING TUTORIAL
对于本教程，我们将在Penn-Fudan数据库中对行人检测和分割的预训练Mask R-CNN模型进行微调。它包含170个图像，其中包含345个行人实例，我们将用它来说明如何在torchvision中使用新功能，以便在自定义数据集上训练实例细分模型。定义数据集用于训练对象检测，实例细分和人员关键点检测的参考脚本可轻松支持添加新的自定义数据集。数据集应继承自标准torch.utils.data.Dataset类，并实现__len__和__getitem__。我们唯一需要的特异性是数据集__...
2020-09-07 15:33:02
716
原创 VISUALIZING MODELS, DATA, AND TRAINING WITH TENSORBOARD
在A 60 Minute Blitz，我们向大家展示了如何加载数据，如何通过定义为的子类的nn.Module模型提供数据，如何在训练数据上训练该模型以及如何在测试数据上对其进行测试。为了了解发生的情况，我们在模型训练期间打印一些统计数据，以了解训练是否在进行。但是，我们可以做得更好：PyTorch与TensorBoard集成在一起，TensorBoard是一种工具，用于可视化神经网络训练运行的结果。本教程使用Fashion-MNIST数据集说明了其某些功能，该数据集可以使用torchvision.dat..
2020-09-03 11:01:08
188
原创 通过示例学习Pytorch（LEARNING PYTORCH WITH EXAMPLES）
本教程通过独立的示例介绍了PyTorch的基本概念。PyTorch的核心是提供两个主要功能：n维张量，类似于numpy，但可以在GPUs上运行 Automatic differentiation以构建和训练神经网络我们将使用一个完全连接的ReLU网络作为我们的运行示例。该网络将具有单个隐藏层，并且将通过最小化网络输出与真实输出之间的欧几里德距离来进行梯度下降训练，以适应随机数据。注意大家可以在本页结尾浏览各个示例。TensorsWarm-up: numpy#...
2020-09-02 22:26:01
253
原创 Pytorch教程（四）：训练分类器TRAINING A CLASSIFIER
在前三篇中，已经了解了如何定义神经网络，计算损耗并更新网络的权重。现在大家可能在想数据呢？通常，当大家必须处理图像，文本，音频或视频数据时，可以使用将数据加载到numpy数组中的标准python包。然后，可以将此数组转换为torch.*Tensor。对于图像，有用的软件包如Pillow，OpenCV 对于音频，请使用scipy和librosa等软件包 对于文本，基于Python或Cython的原始加载，或者NLTK和SpaCy很有用具体地，对于视觉，我们已经创建了一个叫做tor..
2020-08-28 15:05:52
2270
原创 神经网络NEURAL NETWORKS
可以使用该torch.nn软件包构建神经网络。现在，你已经了解了autograd，nn取决于autograd定义模型并对它们进行区分。一个nn.Module包含层，和一种方法forward(input)，它返回output。例如，查看以下对数字图像进行分类的网络：convnet卷积网这是一个简单的前馈网络。它获取输入，将其一层又一层地馈入，然后最终给出输出。神经网络的典型训练过程如下：定义具有一些可学习参数（或weights权重）的神经网络 遍历输入数据集 通过网络..
2020-08-26 00:25:26
236
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