- 博客(21)
- 收藏
- 关注
RSS订阅原创 [土堆]深度学习快速入门教程笔记——利用GPU训练——016
GPU（Graphics Processing Unit，图形处理单元）是一种专门设计用于处理图形和并行计算任务的硬件设备。最初，GPU主要用于图形渲染和游戏应用，但由于其高度并行的计算能力，它们在科学计算、机器学习和深度学习等领域得到了广泛应用。在深度学习中，神经网络的训练通常涉及大量的矩阵运算和张量操作，这些操作可以高度并行化。GPU的并行计算能力远远超过了一般的中央处理单元（CPU），因此，将神经网络的训练任务放在GPU上进行加速可以极大地提高训练速度。
2023-10-29 11:30:01
225
原创 [土堆]深度学习快速入门教程笔记——神经网络模型训练实战——016
model.eval()是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。② 如果模型中有BN层(Batch Normalization）和 Dropout，需要在训练时添加model.train()。在model(test)之前，需要加上model.eval()，否则的话，有输入数据，即使不训练，它也会改变权值。① model.train()和model.eval()的区别主要在于Batch Normalization和Dropout两层。
2023-10-29 00:58:46
204
原创 [土堆]深度学习快速入门教程笔记——网络模型使用及修改——014
选择合适的卷积层、池化层、全连接层等，构建网络的基本结构。定义网络的层数、每层的节点数、激活函数等，构建完整的网络架构。根据问题类型选择合适的损失函数和优化器。划分训练集、验证集和测试集，使用反向传播算法和优化器训练网络。根据模型性能调整网络架构、损失函数和超参数，以获得更好的结果。
2023-10-28 21:20:33
281
原创 [土堆]深度学习快速入门教程笔记——损失函数、反向传播与优化器——013
损失函数能够量化模型的预测结果与实际标签之间的误差。通过最小化损失函数，我们可以使得模型的预测结果尽可能接近实际标签，从而提高模型的性能。在训练过程中，优化算法（比如梯度下降）使用损失函数的梯度信息来更新模型参数。通过最小化损失函数，模型可以根据训练数据不断调整自身的参数，使得预测结果更加准确。
2023-10-28 19:56:33
196
原创 [土堆]深度学习快速入门教程笔记——搭建小实战和Sequential使用——012
在PyTorch中，是一个用于构建神经网络模型的容器。它允许你按照顺序添加神经网络的层，使得创建神经网络模型变得更加简单和直观。你只需要按照顺序将各个层添加到Sequential容器中，然后就可以像使用单个模块一样使用它。使用Sequential的好处在于，它让模型的结构更加清晰，你可以通过简单地添加或删除层来修改模型结构。
2023-10-27 23:42:49
90
1
原创 [土堆]深度学习快速入门教程笔记——线性层及其他层——011
神经网络是一种受到人脑神经元结构启发的计算模型，用于机器学习和人工智能任务。它由大量相互连接的人工神经元（也称为节点或神经元）组成，这些神经元按层次排列，分为输入层、隐藏层（可以有多个）和输出层。
2023-10-27 00:13:10
1394
1
原创 [土堆]深度学习快速入门教程笔记——非线性激活——010
如果在神经网络中只使用线性操作（如线性加权和），整个网络就会变成一个大的线性函数，多个线性层的组合依然是一个线性变换。非线性激活函数（例如sigmoid、tanh、ReLU等）引入了非线性关系，允许网络学习和表示非线性的模式，这对于解决复杂任务非常关键。- 作用： 将输入映射到范围(0, 1)之间。在二元分类问题中常用作输出层的激活函数。但它在深层网络中容易引起梯度消失问题，因此在隐藏层中的使用相对较少。
2023-10-26 23:34:30
156
原创 [土堆]深度学习快速入门教程笔记——池化层——009
当 ceil_mode=True 时，如果滑动窗口在左填充内边距内启动，则允许它们越界或输入。将在右侧填充区域开始的滑动窗口将被忽略。
2023-10-26 22:44:40
100
原创 [土堆]深度学习快速入门教程笔记——卷积层——008
torch.nn.Conv2dstride1padding0dilation1groups1biasTrue'zeros'deviceNonedtypeNone常用参数：) – 输入图像中的通道数) – 由卷积产生的通道数or) – 卷积核的大小oroptional) – 卷积的步幅 Default: 1oroptional) – 添加到输入四个边的Padding Default: 0optionaloroptionaloptionaloptional。
2023-10-25 23:25:29
71
1
原创 [土堆]深度学习快速入门教程笔记——卷积原理——007
卷积核不停的在原图上进行滑动，对应元素相乘再相加。下图为每次滑动移动1格，然后再利用原图与卷积核上的数值进行计算得到缩略图矩阵的数据，如下图右所示。输出结果tensor([[[[10, 12, 12],
2023-10-25 00:21:11
116
1
原创 [土堆]深度学习快速入门教程笔记——nn.Module模块使用——006
① 简单理解就是子类把父类的__init__()放到自己的__init__()当中，这样子类就有了父类的__init__()的那些东西。② Myclass类继承nn.Module，super(Myclass, self).__init__()就是对继承自父类nn.Module的属性进行初始化。而且是用nn.Module的初始化方法来初始化继承的属性。③ super().__init()__()来通过初始化父类属性以初始化自身继承了父类的那部分属性；
2023-10-24 23:15:37
85
原创 [土堆]深度学习快速入门教程笔记——Dataloader使用——005
【代码】[土堆]深度学习快速入门教程笔记——Dataloader使用——005。
2023-10-24 22:36:35
99
原创 [土堆]深度学习快速入门教程笔记——torchvision数据集使用——004
torchvision中有很多数据集，当我们写代码时指定相应的数据集指定一些参数，它就可以自行下载。CIFAR-10数据集包含60000张32×32的彩色图片，一共10个类别，其中50000张训练图片，10000张测试图片。
2023-10-24 21:43:10
83
原创 [土堆]深度学习快速入门教程笔记——Transforms使用——003
transforms是Pytorch其中一个模块，它包含了一系列常用的数据转换操作，可以对数据进行缩放、裁剪、旋转、翻转、归一化、变换等处理。transforms的主要作用是为了让数据适合训练神经网络，比如把PIL图像转换为张量，把整数标签转换为one-hot编码，把数据范围调整到[0, 1]或者[-1, 1]等。transforms也可以用来增加数据的多样性和随机性，比如随机裁剪、随机旋转、随机噪声等，这样可以提高模型的泛化能力和鲁棒性。
2023-10-22 17:20:46
402
原创 [土堆]深度学习快速入门教程笔记——Tensorboard使用——002
或者做新的训练的时候可以先创建一个子文件：SummaryWriter("新文件夹名")它可以帮助你跟踪和展示训练过程中的指标，如损失和准确率，可视化模型图，查看权重、偏置或其他张量的直方图，将嵌入投影到低维空间，显示图像、文本和音频数据，分析TensorFlow程序的性能，等等。注：这样得到的图片是格式(H, W, 3)，并非默认的(3, H, W), 需要设置dataformats='HWC'将网址赋值浏览器的网址栏，回车，即可查看tensorboard显示日志情况。Tensorboard是一个用于。
2023-10-22 14:59:12
146
原创 [土堆]深度学习快速入门教程笔记——Pytorch加载数据——001
Dataloader：为后面的网络提供不同的数据形式，它将一批一批数据进行一个打包。
2023-10-22 09:47:30
91
1
转载 STM32 GPIO八种输入输出模式
如按键采用浮空输入，则在按键按下时输入电平为低，但是当松开按键时输入端口悬空，外界有微弱的干扰都会被端口检测到。漏极经上拉电阻接到电源，栅极输出0时，场效应管截止（阻抗无线大），电压被分到场效应管上，此时输出为1。当栅极输出1时，场效应管导通，输出端口相当于接地，此时输出0。开漏输出高电平时是由外接电源输出的，因此可以实现高于输出端口电压的输出。但是无法调节输出电压，因为输出高低电平均为三极管输入端电压，此电压在由芯片内部供电，无法改变。，此时没有电阻接入，电路的时间常数较小，充电较快。
2023-09-11 01:03:16
718
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