- 博客(9)
- 收藏
- 关注
RSS订阅原创 Pytorch学习笔记：YOLOv5-Backbone模块实现
在 P9 中，我们完成了从造零件(P8) 到组装整车的跨越。每隔一段，就用一个 stride=2 的Conv层让图片变小、通道变多 (64 -> 128 -> … -> 1024)。这就像是把原本很大很薄的图片，浓缩成很小很厚的特征方块。在每次下采样之后，紧跟一个C3模块 (CSP Bottleneck)。它的作用是在当前尺寸下，反复挖掘特征，让模型看得更清楚。C3模块的重复次数是。中间那层 (512通道) 重复了 9 次，是最“厚”的，说明那里是模型思考最久的地方。
2025-12-19 21:47:19
423
原创 Pytorch学习笔记：YOLOv5-C3模块实现
Conv 模块 (CBL)： 这是最基础的砖头。结构：Conv2d + BatchNorm + SiLU (激活函数)。注意：这里用的激活函数是 SiLU (Swish)，比以前用的 ReLU 更平滑，效果更好，是 YOLOv5 的标配。Bottleneck 模块 (残差块)： 这是为了让网络“变深”而不退化的关键。原理：借鉴了 ResNet 的 Shortcut (短路连接) 思想。输入 x 经过两次卷积后，再和原来的 x 相加 (y = f(x) + x)。这样网络就能记住之前的特征，不容易“学傻”。
2025-12-11 22:43:14
474
原创 Pytorch学习笔记：马铃薯病害识别（VGG-16复现）
之前迁移学习“借”别人的大脑 (resnet34)。它的“身体”已经学会看东西了，我们只换了个“头” (fc层)，只训练那个头。这次模型复现“自己造”大脑！我们从零开始，用最基础的积木 (卷积层、池化层、全连接层)，按照 VGG-16 的图纸，一层一层把它搭出来。它的初始状态是一张白纸，什么都不会，我们要从头训练它。
2025-12-05 19:42:48
863
原创 Pytorch学习笔记：人脸识别（VGG-16）
原理：在 P6 之前，我们都是训练完最后才保存。但有时候模型训练太久反而会“变笨”（过拟合）。所以我们要“边跑边存”，只留最好的那个。步骤： (1) 在训练循环外，设一个变量 best_acc = 0 (代表最高分)。(2) 在每一轮“考试”(test) 结束后，拿到当次的 test_acc。(3) 判断：如果这次考得比以前都好 (if test_acc > best_acc)。(4) 更新：刷新纪录 (best_acc = test_acc)。
2025-11-28 17:42:19
523
原创 Pytorch学习笔记：Pytorch运动鞋识别
learning_rate = 0.001 # 初始学习率# 动态学习率# 每隔 5 轮 (step_size=5)，就把学习率乘以 0.1 (gamma=0.1)# 意思是：学得越久，改错越小心！1. 动态学习率 (Dynamic Learning Rate)P4 做法： 学习率 (lr) 在整个训练过程中是固定不变的（例如一直都是 0.001）。P5 引入： 使用 lr_scheduler 来动态调整学习率。
2025-11-21 18:34:47
937
原创 Pytorch学习笔记：猴痘病识别
epochs = 20 # 跑 20 轮# 告诉“辅导员”，只“辅导”那个“新头”！1. 迁移学习 (Transfer Learning)这里引入了预训练模型 (Pre-trained Model)。我们加载了 models.resnet34(pretrained=True)， 这意味着我们“借用”了一个已经在 ImageNet (一个巨大的数据集) 上训练好的“超级模型”。这能极大地提高训练速度和最终精度，尤其是在我们自己的“猴痘” 数据集很小的情况下。
2025-11-15 00:13:07
957
原创 Pytorch学习笔记：Pytorch实现天气识别
和 P1, P2 完全一样epochs = 20 # (P3 的大脑更“大”，食材也“难”，跑了 20 轮)# (这整块都是新加的)print("\n开始预测一张新图片...")# a. 告诉Pytorch我们要用哪个"食谱" (transform)# (!!重要!!) 我们不能用“练习册”那个“食谱”，因为它会“乱翻”# 我们要用一个“干净”的、“只加工、不乱翻”的“食谱”transforms.Resize((64, 64)), # 1. 缩放。
2025-11-07 19:39:36
240
原创 Pytorch学习笔记：实现mnist手写数字识别
设置训练参数learning_rate = 0.001 # 学习率，控制模型改错的幅度epochs = 5 # 训练轮次，把“练习册”完整学5遍# 定义“评分标准”(损失函数)# CrossEntropyLoss 是分类问题最常用的标准，电脑猜错了就给高“罚分”# 定义“优化器”(Adam)# 它的作用就是根据“罚分”，去自动调整模型参数，让它下次猜得更准。
2025-10-24 20:01:03
707
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