pytorch
陨星落云
这个作者很懒,什么都没留下…
展开
-
cuda驱动更新下载以及安装
可选择在NVIDIA控制面板查看。原创 2023-07-02 14:15:59 · 2339 阅读 · 0 评论 -
影像中缺失部分,其标签设为背景值0
import numpy as npimport imageioimport cv2from osgeo import osr, gdal def assign_spatial_reference_byfile(src_path, dst_path): src_ds = gdal.Open(src_path, gdal.GA_ReadOnly) sr = osr.SpatialReference() sr.ImportFromWkt(src_ds.GetProjecti原创 2021-11-03 13:40:12 · 244 阅读 · 0 评论 -
在conda下安装albumentations
conda install -c conda-forge imgaugconda install -c conda-forge albumentations原创 2021-11-03 10:58:06 · 3844 阅读 · 0 评论 -
将sklearn中的分类报告保存为表格csv
import numpy as npimport pandas as pdfrom sklearn.metrics import classification_reportdef save_classification_report(y_true,y_pred,target_names,save_path): # 将分类报告保存至csv文件 acc_report_df = pd.DataFrame(classification_report(y_true, y_pred, targe原创 2021-09-10 15:55:45 · 1055 阅读 · 0 评论 -
彩色标签转数字标签,数字标签转彩色标签
# -*- coding: utf-8 -*-"""Created on Fri Aug 6 12:56:44 2021@author: xiaohuihui"""import imageioimport numpy as npimport cv2def ColorLabel2NumLabel(img,colors): # 彩色标签转数字 h,w,ch = img.shape gt = np.zeros((h,w)).astype(np.uint8)原创 2021-08-06 14:10:06 · 607 阅读 · 3 评论 -
在conda中添加清华镜像
清华镜像- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/- https:原创 2021-03-20 10:55:48 · 1950 阅读 · 0 评论 -
pytorch获得模型所有参数和训练参数
想要简单地得到模型的参数量,在pytorch可以通过简单调用得到,还能区分所有参数和训练参数:# Find total parameters and trainable parameterstotal_params = sum(p.numel() for p in model.parameters())print(f'{total_params:,} total parameters.')total_trainable_params = sum( p.numel() for p in mod转载 2021-01-07 13:31:46 · 1910 阅读 · 1 评论 -
win10下安装cuda10.0+pytorch1.2+torchvision0.4.0
1.先安装 cuda 和 cudnn到nvidia官网下载cuda 10.0https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exenetworkcuda 10.0cuda 安装完以后 安装cudnn 到nvidia官网下载 cudnn https://developer.nvid原创 2020-11-08 20:13:28 · 2451 阅读 · 0 评论 -
语义分割和数据集
语义分割和数据集在前几节讨论的目标检测问题中,我们一直使用方形边界框来标注和预测图像中的目标。本节将探讨语义分割(semantic segmentation)问题,它关注如何将图像分割成属于不同语义类别的区域。值得一提的是,这些语义区域的标注和预测都是像素级的。图1展示了语义分割中图像有关狗、猫和背景的标签。可以看到,与目标检测相比,语义分割标注的像素级的边框显然更加精细。1 图像分割和实例分割计算机视觉领域还有2个与语义分割相似的重要问题,即图像分割(image segmentation)和实例分原创 2020-10-24 20:01:10 · 1639 阅读 · 0 评论 -
python语义分割数据标签,将数字标签转彩色标签
# 数字标签转彩色标签import imageioimport glob# 数字标签路径path = r'C:\Users\67231\Desktop\output/*.png'# 设置标签颜色(这里是7种)colors = [[0,0,0],[255,255,0],[255,0,0],[0,255,0],[0,0,255],[255,255,255],[0,255,255]]for file in glob.glob(path): # print(file) label原创 2020-09-27 11:40:24 · 4431 阅读 · 4 评论 -
pytorch模型加载前几层,参数微调设置方法
import torch.hubimport torch.nn as nnmodel = torch.hub.load('moskomule/senet.pytorch','se_resnet50',pretrained=True,)# 获取模型的前7层class Seresnet50(nn.Module): def __init__(self): super(Seresnet50,self).__init__() # self.model = model原创 2020-09-23 10:38:59 · 3107 阅读 · 0 评论 -
Jupyter常用快捷键总结
模式编辑模式: Enter键进入编辑模式命令行模式: ESC进入命令行模式命令行模式快捷键s:保存Shift+Enter: 执行代码并进入下一单元格Up Arrow+Down Arrow: 上移、下移b: 创建新单元0+0: 重启核dd:删除单元格m: 切换成markdowny: 切换成代码o: 隐藏或显示输出内容Shift+Arrow up/Arrow down: 单元格多选Shift+M: 合并单元格编辑模式Shift+Tab: [立即同时按下] 参数,类型等信息原创 2020-08-04 13:51:33 · 5429 阅读 · 0 评论 -
pytorch数据扩增
from torchvision import datasets,transformsimport matplotlib.pylab as pltimport torchpath2data = "./data"# loading MNIST training datasettrain_data = datasets.MNIST(path2data,train=True,download=False)# define transformationsdata_transform = trans原创 2020-07-18 13:55:20 · 722 阅读 · 0 评论 -
pytorch数据集加载
# -*- coding: utf-8 -*-"""Created on Sat Jul 18 12:27:15 2020@author: 陨星落云"""#%%from torchvision import datasetsimport torch#%% 下载数据并加载训练集path2data = "./data"train_data = datasets.MNIST(path2data,train=True,download=False)#%% 抽取训练集数据与标签x_t原创 2020-07-18 13:32:07 · 343 阅读 · 0 评论 -
pytorch安装后,进行验证GPU是否可用
>>> import torch# 查看torch版本>>> torch.__version__'1.2.0'>>> import torchvision# 查看torchvision版本>>> torchvision.__version__'0.4.0'# 查看gpu是否可用>>> torch.cuda.is_available()True# 查看gpu是个数>>> torc原创 2020-07-18 12:14:34 · 3204 阅读 · 0 评论 -
pytorch利用卷积神经网络进行CIFAR-10图像分类
卷积神经网络在这教程中,主要学习训练CNN,来对CIFAR-10数据集进行图像分类。该数据集中的图像是彩色小图像,其中被分为了十类。 一些示例图像,如下图所示:测试GPU是否可以使用数据集中的图像大小为32x32x3 。在训练的过程中最好使用GPU来加速。import torchimport numpy as np# 检查是否可以利用GPUtrain_on_gpu = torch.cuda.is_available()if not train_on_gpu: print('原创 2020-05-20 22:01:57 · 22554 阅读 · 19 评论 -
pytorch迁移学习
迁移学习在开始这部分内容之前,请回顾上一次的内容。在这部分内容中,您将学习如何使用预训练的网络来解决计算机视觉中的难题。 具体来说,您将使用torchvision提供的ImageNet 训练的网络。ImageNet是一个庞大的数据集,在1000个类别中有超过100万张带标签的图像。 它用于使用称为卷积层的体系结构训练深度神经网络。 在这里,我将不涉及卷积网络的详细信息,但是如果您想了解更多有...翻译 2020-04-20 19:17:31 · 352 阅读 · 0 评论 -
Pytorch加载图像数据
加载图像数据到目前为止,我们一直在使用自带的数据集,您通常不会在实际项目中使用这些数据集。 相反,您可能会像从智能手机相机中获取的那样处理图像。 在本部分内容中,我们将研究如何加载图像并将其用于训练神经网络。我们将使用Kaggle提供的猫狗数据集。 这是几个示例图像:我们将使用该数据集来训练可区分猫和狗的神经网络。 如今,这似乎不是一个很大的成就,但是五年前,对于计算机视觉系统来说,这是一...翻译 2020-04-20 15:15:01 · 991 阅读 · 0 评论 -
pytorch保存与加载模型
保存与加载模型在这一部分内容中,我将向您展示如何使用PyTorch保存和加载模型。这很重要,因为您经常需要加载先前训练过的模型,用于进行预测或继续训练新数据。%matplotlib inline%config InlineBackend.figure_format = 'retina'import matplotlib.pyplot as pltimport torchfrom t...翻译 2020-04-17 20:55:21 · 833 阅读 · 0 评论 -
fc_model文件
import torchfrom torch import nnimport torch.nn.functional as Fclass Network(nn.Module): def __init__(self, input_size, output_size, hidden_layers, drop_p=0.5): ''' Builds a feedforwa...原创 2020-04-17 20:51:34 · 680 阅读 · 0 评论 -
helper文件
helper文件import matplotlib.pyplot as pltimport numpy as npfrom torch import nn, optimfrom torch.autograd import Variabledef test_network(net, trainloader): criterion = nn.MSELoss() opti...原创 2020-04-17 20:50:10 · 635 阅读 · 1 评论 -
pytorch使用dropout防止过拟合
推测与验证现在您已经学会了训练网络,可以将其用于进行预测。 这通常称为推测,是从统计信息中借用的术语。 但是,神经网络倾向于在训练数据上表现得太好,并且无法将其推广到以前从未见过的数据,这称为过拟合,它会削弱推理性能。 为了在训练过程中发现过拟合,我们不在训练集中测试,而在验证集测试性能。 我们在训练过程中监控验证效果时,通过正则化(例如dropout)来避免过拟合。我将向您展示如何在PyTor...翻译 2020-04-07 10:33:16 · 3308 阅读 · 3 评论 -
Fashion-MNIST 分类
Fashion-MNIST 分类构建和训练神经网络。 您将使用Fashion-MNIST数据集,它是MNIST数据集的替代品。 MNIST实际上对于神经网络来说是微不足道的,您可以轻松地获得优于97%的精度。 Fashion-MNIST是一组28x28灰度的衣服图像。 它比MNIST更复杂,因此可以更好地表示神经网络的实际性能,并且可以更好地表示您将在现实世界中使用的数据集。在这里,您将构建...翻译 2020-04-04 19:59:08 · 6962 阅读 · 2 评论 -
pytorch实现mnist手写数字识别(二)
训练神经网络在上一部分中,我们建立的神经网络不是那么好,它对我们的手写数字一无所知。 神经网络的非线性激活函数工作方式类似于通用函数拟合。 有一些函数,可以将您的输入映射到输出。 例如,将手写数字图像分类的概率。 神经网络的强大之处,在于我们可以训练它们以逼近该F函数。只要给定任何具有足够数据和计算时间,就可以得到F函数,但这个函数可能非常复杂。起初,网络是无知的,它不知道将输入映射到输出函...翻译 2020-03-31 15:59:39 · 1304 阅读 · 1 评论 -
pytorch实现mnist手写数字识别(一)
深度学习的神经网络往往是庞大的,有几十层或几百层,这就是“深度”一词的由来。你可以只用权重矩阵来构建一个这样的深层网络,但是一般来说,这是非常麻烦和难以实现的。PyTorch有一个很好的模块nn,它提供了一种有效构建大型神经网络的好方法。# Import necessary packages%matplotlib inline%config InlineBackend.figure_fo...翻译 2020-03-30 18:46:09 · 12102 阅读 · 4 评论 -
pytorch之线性代数
文章目录矩阵1. 矩阵初始化2. 矩阵元素运算3. 矩阵的乘法4. 矩阵的转置5. 矩阵对应列行的最大值,最小值,和6. 矩阵的其他操作:行列数、切片、复制、非0元素的下标7. 矩阵的行列式8. 矩阵的逆和伪逆9. 矩阵的对称10. 矩阵的秩、迹11. 矩阵求解12. 矩阵的特征值与特征向量(EVD)矩阵1. 矩阵初始化Tensor的初始化# 全零矩阵In [1]: import to...原创 2020-03-23 16:51:19 · 2155 阅读 · 0 评论 -
pytorch的tensor与numpy数组的对比
创建Tensor下表给了一些常用的作参考。函数 功能 Tensor(*sizes) 基础构造函数 tensor(data,) 类似np.array的构造函数 ones(*sizes) 全1Tensor zeros(*sizes) 全0Tensor eye(*sizes) 对角线为1,其他为0 arange(s,e,step) 从...原创 2019-11-15 22:33:54 · 2936 阅读 · 0 评论