![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Python深度学习
文章平均质量分 89
牛大了2023
jzc7的博客
展开
-
如何导出论文高清图片
将论文拖进ps,点击图像,选择想找的图片。可以选择jpg格式,100%品质导出。打开ps(我是ps2021)左上角文件-导出-导出为。原创 2023-09-20 18:00:00 · 596 阅读 · 0 评论 -
深度学习第J9周:Inception v3算法实战与解析
总结来说,Inception v3是一种深度卷积神经网络,其主要特点包括更深的网络结构、使用Factorized Convolutions、添加Batch Normalization、引入辅助分类器以及使用基于RMSProp的优化器进行训练。相对于Inception v1的Inception Module结构,Inception v3在卷积操作上做出了改动,使用两个3x3的卷积代替一个5x5的卷积以提高计算速度,并将n x n的卷积核尺寸分解为1 x n和n x 1两个卷积。原创 2023-05-14 20:53:52 · 3995 阅读 · 3 评论 -
深度学习第J8周:Inception v1算法实战与解析
Inception v1是一种深度卷积神经网络,它在ILSVRC14比赛中表现出最佳的分类和检测性能[1该网络的最大特点是使用了Inception模块,该模块通过多种不同的卷积核来提取不同大小的特征图,并将这些特征图拼接在一起,从而同时考虑了不同尺度下的特征信息,提高了网络的准确性和泛化能力。在Inception v1中,Inception模块一般由1x1、3x3和5x5的卷积层以及一个最大池化层组成,同时还会在最后加上一个1x1的卷积层来减少通道数,从而避免参数过多的问题[2。原创 2023-05-01 12:23:18 · 697 阅读 · 0 评论 -
深度学习第J7周:ResNeXt-50算法思考
🍨 本文为[🔗]内部限免文章(版权归 *K同学啊* 所有)🍖 作者:[查看j6周代码,思考解决问题。原创 2023-04-23 17:40:18 · 522 阅读 · 0 评论 -
深度学习第J6周:ResNeXt-50实战解析
ResNeXt是由何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。ResNeXt是ResNet的升级版,在ResNet的基础上,引入了cardinality的概念,类似于ResNet,ResNeXt也有ResNeXt-50,ResNeXt-101的版本。ResNeXt论文名为:Aggregated Residual Transformations for Deep Neural Networks.pdf。原创 2023-04-20 14:51:49 · 2578 阅读 · 2 评论 -
深度学习第J5周:DenseNet+SE-Net实战
论文:(搜名字也能看)Squeeze-and-Excitation Networks.pdf这篇文章介绍了一种新的神经网络结构单元,称为“Squeeze-and-Excitation”(SE)块,它通过显式地建模通道之间的相互依赖关系来自适应地重新校准通道特征响应。这种方法可以提高卷积神经网络的表示能力,并且可以在不同数据集上实现极其有效的泛化。作者还展示了SE块在现有最先进CNNs中带来了显著的性能提升,而只需稍微增加计算成本。原创 2023-04-13 11:41:28 · 1854 阅读 · 0 评论 -
深度学习第J4周:ResNet与DenseNet结合探索
根据J1~J3周的内容自由探索ResNet与DenseNet结合的可能性○是否可以根据两种的特性构建一个新的模型框架?○请用之前的任一图像识别任务验证改进后模型的效果(提取码:0mhm)原创 2023-04-04 13:27:13 · 843 阅读 · 0 评论 -
深度学习第J3周:DenseNet算法实战与解析
在计算机视觉领域,卷积神经网络(CNN)已经成为最主流的方法,比如GoogLenet,VGG-16,Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现,ResNet可以训练出更深的CNN模型,从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”(shortcuts,skip connection),进而训练出更深的CNN网络。原创 2023-03-28 22:36:02 · 551 阅读 · 3 评论 -
深度学习第J2周:ResNet50V2算法实战与解析
何恺明大神在这篇论文中提出了一种新的残差单元。我们将这篇论文中的ResNet结构称为ResNetV2。原创 2023-03-19 16:15:02 · 2032 阅读 · 2 评论 -
深度学习J1周-ResNet50算法实战与解析_鸟类识别(CNN)
残差网络是为了解决神经网络隐藏层过多时,而引起的网络退化问题。退化(degradation)问题是指:当网络隐藏层变多时,网络的准确度达到饱和然后急剧退化,而且这个退化不是由于过拟合引起的。拓展: 深度神经网络的“两朵乌云”●梯度弥散/爆炸简单来讲就是网络太深了,会导致模型训练难以收敛。这个问题可以被标准初始化和中间层正规化的方法有效控制。(现阶段知道这么一回事就好了)●网络退化随着网络深度增加,网络的表现先是逐渐增加至饱和,然后迅速下降,这个退化不是由于过拟合引起的。原创 2023-03-06 16:32:13 · 1392 阅读 · 0 评论 -
深度学习Week17-模型改进(YOLOv5)
本周任务:修改YOLOv5s的网络结构图,请根据网络结构图以及第Y1~Y5周的内容修改对应代码,并跑通程序。原创 2023-02-26 15:45:25 · 283 阅读 · 2 评论 -
深度学习Week16-yolo.py文件解读(YOLOv5)
用于将模型的模块拼接起来,搭建完成的网络模型。不是固定的,改框架也要改这个函数。原创 2023-02-21 23:26:54 · 655 阅读 · 0 评论 -
深度学习Week15-common.py文件解读(YOLOv5)
common.py文件位置在./models/commonpy。原创 2023-02-15 19:00:44 · 1748 阅读 · 0 评论 -
深度学习Week14-yolov5s.yaml文件解读(YOLOv5)
YOLOv5配置了4种不同大小的网络模型,分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x,其中 YOLOv5s 是网络深度和宽度最小但检测速度最快的模型(之前数字监测就是用yolov5s),其他3种模型都是在YOLOv5s的基础上不断加深、加宽网络使得网络规模扩大,在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量,本文选择YOLOv5s作为研究对象进行介绍。原创 2023-02-06 14:13:05 · 1205 阅读 · 2 评论 -
深度学习Week13-火灾温度预测(LSTM)
任务说明:数据集中提供了火灾温度(Tem1)、一氧化碳浓度(CO 1)、烟雾浓度(Soot 1)随着时间变化数据,我们需要根据这些数据对未来某一时刻的火灾温度做出预测(本次任务仅供学习)🍺要求:1了解LSTM是什么,并使用其构建一个完整的程序2R2达到0.83🍻拔高:1使用第1~8个时刻的数据预测第9~10个时刻的温度数据数据地址:🔗百度网盘顺便先导入数据 2.数据可视化 取前8个时间段的Tem1、CO 1、Soot 1为X,而第9,10个时间段的Tem原创 2023-01-02 19:27:52 · 1300 阅读 · 13 评论 -
AWS人工智能主题学习月:深度学习入门笔记
深度学习算法是学习数据表示的更广泛的机器学习领域的一个子集,而机器学习本身是人工智能的一个子集。深度学习使用多层非线性处理单元进行特征提取和转换,每个连续层都使用前一层的输出作为输入。早在上个世纪50年代就有许多种深度学习算法的研究。同时,随着科技进步和数据的膨胀,GPU逐渐成为了通用的计算工具。这使得神经网络得以进步。GPU的出现和训练时间的缩短成为了神经网络和深度学习的支柱。08年以后,神经网络成为深度学习的主流方法。ANN神经网络不同于传统的机器学习,深度学习侧重基于原始特征的端到端学习。原创 2022-12-30 22:51:39 · 2211 阅读 · 31 评论 -
深度学习Week12-训练自己的数据集(YOLOv5)
这周接着详细解析,上周入门教大家下载配置环境,如果没有的话请参考上周的文章。原创 2022-12-28 13:31:07 · 665 阅读 · 1 评论 -
深度学习Week11-调用官方权重进行检测(YOLOv5)
很早之前,我发过这篇文章,里面用简练语言分享用yolov5训练自己的识别器,但包括我在内许多人仍不了解其运行原理;过去两周,我也发了和两篇yolov5结构部分框架的初探。从这篇文章开始,会一步步的详细剖析yolov5,让我们一同学习,加深对yolov5的理解。本周先以跑通官方代码为目标。原创 2022-12-20 19:27:58 · 744 阅读 · 0 评论 -
深度学习Week10-YOLOv5-Backbone模块实现(Pytorch)
类似于上周内容,除了网络结构部分的内容,其余部分的内容和上周一样。yolov5结构示意图。原创 2022-12-14 17:21:14 · 1194 阅读 · 0 评论 -
深度学习Week9-YOLOv5-C3模块实现(Pytorch)
了解C3的结构,方便后续YOLOv5算法的学习。采用的数据集是天气识别的数据集。 输出:cuda图形变换,输出一下:用到类输出:{'cloudy': 0, 'rain': 1, 'shine': 2, 'sunrise': 3}二、搭建YOLOv5-C3模型2.查看模型详情 统计模型参数量以及其他指标 三、 训练模型1. 编写训练和测试函数和之前cnn网络、vgg一样2. 正式训练这里也设置了训练器,结合前几次实验经验,使用Adam模原创 2022-12-07 12:55:13 · 5032 阅读 · 7 评论 -
深度学习Week8-咖啡豆识别(Pytorch)
🍨 本文为[]中的学习记录博客🍦 参考文章:Pytorch实战 | 第P7周:咖啡豆识别(训练营内部成员可读)🍖 原作者:[]🍺 要求:自己搭建VGG-16网络框架 √调用官方的VGG-16网络框架 √如何查看模型的参数量以及相关指标 √🍻 拔高(可选):验证集准确率达到100%使用PPT画出VGG-16算法框架图(发论文需要这项技能)🔎 探索(难度有点大)在不影响准确率的前提下轻量化模型● 目前VGG16的Total params是134,276,932。原创 2022-11-25 23:10:16 · 1633 阅读 · 4 评论 -
深度学习Week7-好莱坞明星识别(Pytorch)
🍨 本文为[]中的学习记录博客🍦 参考文章:[]🍖 原作者:[]原创 2022-11-16 10:37:48 · 555 阅读 · 4 评论 -
深度学习Week6-运动鞋识别(Pytorch)
🍨 本文为[]中的学习记录博客🍦 参考文章:[]🍖 原作者:[]原创 2022-11-06 13:51:52 · 788 阅读 · 0 评论 -
深度学习Week5-心脏病预测(RNN)
🍨 本文为[]中的学习记录博客🍦 参考文章:[🔗]🍖 原作者:[]总体流程。原创 2022-10-29 18:58:02 · 1650 阅读 · 1 评论 -
深度学习Week4-猴痘病识别(Pytorch)
本次学习主要学习了训练模型的生成与调用,其也是比较标准的模板。重点是关于模型的准确率的优化,尝试了四种方法,学习了动态学习率torch.optim.lr_scheduler.CyclicLR,除了缩小batch_size,在训练轮数不大的情况下,Adam的效果更好。原创 2022-10-23 16:02:02 · 1293 阅读 · 3 评论 -
深度学习Week3-天气识别(Pytorch)
这周不同于week1、2,不是用dataset下载数据集,而是用图片组成的训练集(和我其他博客弄opencv的训练类似),同时最后调用本地图片进行测试。week3比week1、2难一些,通过本篇学习加强了自己对于深度学习的理解。(我在尝试弄模型测试但失败了,成功了再分享)原创 2022-10-20 22:56:53 · 1697 阅读 · 0 评论 -
深度学习Week2-彩色图片识别(Pytorch)
365天深度学习训练营-第P2周:彩色图片识别原创 2022-10-10 22:44:33 · 790 阅读 · 0 评论 -
深度学习Week1-实现mnist手写数字识别(Pytorch)
深度学习Week1-实现mnist手写数字识别(Pytorch)原创 2022-10-05 16:00:36 · 3051 阅读 · 0 评论