- 博客(27)
- 收藏
- 关注
RSS订阅原创 365天深度学习训练营-第J3周：DenseNet算法实战与解析
DenseNet网络中使用DenseBlock+Transition的结果。DenseNet的基本思路与RestNet一致，但是增加了特征重用，通过channel(特征图的通道)上的连接来实现特征重用。首先构建DenseBlock，要了解其内部结构为BN+ReLU+1*1Conv+BN+ReLU+3*3Conv。再实现Transition层，其结构为BN+ReLU+1*1Conv+2*2AvgPooling.。通过选择不同的网络深度构建不同的深度的DenseNet，这里构建的DenseNet-121。
2023-11-17 21:57:38
107
原创 365天深度学习训练营-第J2周：ResNet50V2算法实战与解析
🍨 本文为🔗365天深度学习训练营中的学习记录博客 🍖 原作者：K同学啊我的环境：语言环境：Python3.11.2 编译器：PyCharm Community Edition 2022.3 深度学习环境：torch==2.0,torchvision==0.15.1,TensorFlow2本次目标：了解ResNetV2与ResNetV的区别一、模块复现 官方调用tf.keras.applications.resnet_v2.ResNet50V
2023-10-27 22:24:13
112
原创 365天深度学习训练营-第J1周：ResNet50算法
残差网络是为了解决神经网络隐藏层过多时引起的网络退化问题。这里构建了ResNet-50网络模型。
2023-10-20 22:53:35
116
原创 365天深度学习训练营-第P8周：YOLOv5-C3模块实现
总结起来，YOLOv5-C3模块通过多尺度特征融合技术和跨通道信息传递机制来提高特征图的表达能力，进而提升YOLOv5模型的性能和准确性。YOLOv5-C3模块是YOLOv5网络中的一个重要组成部分，其主要作用是增加网络的深度和感受野，提高特征提取的能力。在每个Conv模块之间，还加入了BN层和LeakyReLU激活函数，以提高模型的稳定性和泛化性能。构建C3组成的模块，并将其整合。编写训练函数和测试函数。处理数据并划分数据集。
2023-09-15 21:55:55
1631
原创 365天深度学习训练营-第P7周：咖啡豆识别
通过构建并实例化vgg16类进行模型初始化。这里构建了多个卷积块，并使用forward方法进行数据在卷积块间的传播。编写训练函数和测试函数。处理数据并划分数据集。
2023-09-08 21:41:15
57
原创 365天深度学习训练营-第P5周：运动鞋识别
使用函数的方式，每次循环更新优化器中的学习率。因为已经分好了标签，所以直接处理数据并设置数据集。依旧使用函数式构建网络。编写训练函数和测试函数。调用库以及导入数据集。
2023-08-25 21:51:43
50
1
原创 365天深度学习训练营-第P4周：猴痘病识别
这里的DataLoader还有个参数为num_workers，为每次加载数据时，dataloader一次性创建num_workers个工作进程。依旧使用函数式构建网络。编写训练函数和测试函数。调用库以及导入数据集。处理数据并划分数据集。
2023-08-11 21:49:32
53
1
原创 365天深度学习训练营-第P3周：天气识别
本次通过导入数据进行模型的训练，依旧使用函数式构建CNN神经网络，使用循环训练反向传播进行模型的训练函数编写。最后分批次使用训练函数以及测试函数进行模型训练。
2023-08-04 21:59:26
47
1
原创 365天深度学习训练营-第P2周：彩色图片识别
本周学习复习巩固了上周的学习内容，同样是通过torchvision.datasets模块获取数据；通过函数形式定义模型并编译模型内部的优化器、损失函数等。复习了CNN网络各层操作计算。
2023-07-28 20:26:36
42
1
原创 365天深度学习训练营-第P1周：实现mnist手写数字识别
1.optimizer.zero_grad()：遍历模型中的全部参数，清空上一次梯度记录。3.optimizer.step()：执行一次优化步骤，通过梯度下降法更新参数的值。device()表示将模型加载到指定设备上，如果使用GPU则为“cuda”。2.loss.backward()：自动计算梯度值，以便获得损失函数。在之前的学习中已经对CNN网络的组成有所了解，本次使用pytorch构建CNN网络。设置超参数并编写训练函数以及测试函数。这里使用了函数的方法构建网络。设置运行设备以及导入数据集。
2023-07-21 22:12:12
51
1
原创 365天深度学习训练营-第R3周：天气预测
设置数据中的年、月、日。dt是pandas 中datetime型数据的操作(dt.*)。seaborn是python的数据可视化库，基于matplotlib。可以绘制更多的统计图形。data.corr()方法表示data中的两个变量之间的关系。结论：当一天的最高气温和最低气温接近时，第二天下雨的概率增加。低压与高温会增加下雨概率。统计今天是否下雨与每天是否下雨的数值。查看每列缺失数据百分比。导入时复制一份数据。查看各项的数据类型。4.1 搭建、编译、训练神经网络。
2023-07-07 21:57:31
157
1
原创 365天深度学习训练营-第R2周：LSTM-火灾温度预测
在循环中，首先根据`in_start`和`width_X`计算出特征的结束位置`in_end`，然后根据`in_end`和`width_Y`计算出标签的结束位置`out_end`。通过一个循环遍历数据集中的每一行，其中`i`表示行索引，`z`表示行数据。将特征数组`X_`和标签数组`y_`分别添加到X和Y列表中。这段代码的功能是将数据集中的特征和标签进行切片，然后将切片后的特征和标签分别存储在X和Y中。定义了两个变量`width_X`和`width_Y`，分别表示特征和标签的宽度。构建、编译并训练模型。
2023-06-30 21:57:48
189
原创 365天深度学习训练营-第R1周：RNN-心脏病预测
本次学习了序列型数据如何配置数据集，使用sklearn库中的sklearn.preprocessing.StandardScaler与sklearn.model_selection.train_test_split进行数据集的配置及标准化；学习了RNN网络的构建，使用tensorflow库中的SimpleRNN进行构建，并使用add方法添加至模型中。
2023-06-16 20:10:11
298
1
原创 365天深度学习训练营-第T11周：优化器对比实验
第一大类为梯度下降法主要包括BGD批量梯度下降法、SGD随机梯度下降法、Mini_batch Gradient Denscent小批量梯度下降法。优化器是一种算法，在模型优化过程中动态的调整梯度大小和方向，使模型收敛到更好的位置或更快的收敛。第二类为动量优化法，因为梯度下降可能被困在局部最优又或是收敛速度慢，故提出此方法。第三类为自适应学习率优化法。其中adam就是其中之一。本次依旧使用好莱坞明星数据集进行学习。通过自定义神经网络配置优化器。使用不同的优化器编译模型。
2023-06-09 22:07:47
82
原创 365天深度学习训练营-第T10周：数据增强
本次学习了数据集的增强方式，使用tf.keras.layers.experimental.preprocessing.RandomFlip与tf.keras.layers.experimental.preprocessing.RandomRotation进行数据增强。并在model或使用数据集的map方法来增强数据。有助于提高模型的准确率。
2023-06-02 21:58:44
103
原创 365天深度学习训练营-第T9周：猫狗识别2
np.mean是numpy库中的一个函数，用于计算数组中元素的平均值。其中，array是要计算平均值的数组，axis是指定计算平均值的轴。如果不指定axis，则计算整个数组的平均值。这里每次循环都新建一个空列表，添加一个值后又计算平均数，可以直接按照T8的直接将history[0]和history[1]赋值给变量。在训练模型时多次构建列表再使用np.mean求平均值，可以直接将值赋予变量。比对了很久也没发现第T8周的bug，上周以为的bug这次也证实没有问题。导入并配置数据数据，构建VGG16神经网络。
2023-05-26 21:58:26
125
原创 365天深度学习训练营-第T8周：猫狗识别
本次使用了新的训练方法训练模型，并为了清晰的看到模型训练状况使用了tqdm库进行进度条的显示。新的训练方式train_on_batch()相比于fit()更加灵活，更适合细致的、需要调参的模型训练。
2023-05-19 21:58:56
86
1
原创 CSDN竞赛第51期题解
本题是计算变形后的字符串中连续A的数量，要求变形使得A的数量达到最多。因为只变形一次，所有思路相当简单，只需要判断开头与结尾字符是否都为A即可，若开头与结尾不全为A，则变形前的最大连续A的个数便是变形后的最大A的数量；若全为A，则从计算开头与结尾A的数量相加再与其他连续A的个数进行比较即可。1、使用python自带的字符串方法find来检测D是否存在，若返回-1则再使用count方法来记录B与A出现的次数并进行比较。也可以直接定义一个为0的数，遇B则加1，遇A则减1，最后判断是否大于0即可。
2023-05-17 17:44:22
53
2
原创 365天深度学习训练营-第T7周：咖啡豆识别
与以往构建神经网络不同，这次试用函数式API，可以通过定义多个输入和多个输出来构建更加复杂的模型。与使用Sequential构建模型的区别是使用的API不同，通过直接将上一层的输出传递给下一层。在函数式API中，我们可以创建任意拓扑结构的模型，而不仅仅是简单的一维线性堆叠模型。此外，函数式API还允许我们对神经网络模型的不同部分进行重复使用和共享，从而提高了代码的可重用性和可维护性。使用函数式API进行模型搭建，该种搭建方式在搭建复杂模型以及非线性堆叠模型时更常使用。依旧设置动态学习率，监控对象为准确率。
2023-05-13 08:51:09
105
原创 365天深度学习训练营-第T6周：好莱坞明星识别
本次学习了解了标签编码及其对应的损失函数，使用了categorical_crossentropy损失函数进行了模型的编译。比较了不同标签类型下不同损失函数的模型；更加清晰的了解了早停法的运作机制。下次找个好点的电脑试试vgg16。
2023-05-06 02:07:32
459
原创 365天深度学习训练营-第T5周：运动鞋品牌识别
本次学习中依旧通过导入外部数据进行模型的训练，了解了steps和epochs的区别，steps是指每个epoch中的迭代次数，而epochs是指整个数据集被遍历的次数。设置了优化器，包括设置学习率、学习率变化步数、学习率变化参数，以此更好的编译模型。实际使用了earlystop方法训练模型，防止过拟合，使得模型更好的进行数据预测。
2023-04-28 21:05:26
85
原创 365天深度学习训练营-第T4周：猴痘病识别
本次学习依旧先进行了数据导入并处理，了解了处理过拟合的几种办法，包括早停法和打乱训练集图片，随后在模块训练中将每一轮训练的参数中最好的保留，以使得模型参数最优，增强了模型的泛化，使得模型预测更加准确。
2023-04-21 20:12:04
189
1
原创 365天深度学习训练营-第T3周：天气识别
本次深度学习主要针对训练集的创建，使用pathlib和PIL库进行数据导入，使用image_dataset_from_directory方法将数据加载到tf.data.Dataset中，并自主设置了优化器的参数，完成模型的训练。
2023-04-14 22:04:05
98
1
原创 365天深度学习训练营-第T1周：实现mnist手写数字识别
导入图片后对图片格式进行调整，通过Sequential模型构建简单的CNN神经网络，设置神经网络的损失函数、优化器以及监控指标对模型进行编译，通过训练集训练后对测试集进行预测，从而获取当成训练的指标。卷积层：用于对输入图像进行降维和提取图片中的信息，这些信息为图片的特征。对图像的特征缩放有两种方法——归一化与标准化，用于将不同量纲的特征处理至同一数量级，减小方差大的特征的影响，使模型更准确，加快学习算法的收敛程度，此处使用灰度图，其最大值均为255，最小值均为0，故使用归一化进行操作。
2023-03-31 17:13:06
103
1
空空如也
Windows系统下使用bash运行.sh脚本没有运行、错误、提示
2023-05-08
使用chatglm时bash train.sh没有回应
2023-05-07
TA创建的收藏夹 TA关注的收藏夹
TA关注的人