![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
PyTorch
文章平均质量分 51
PyTorch
我是一名程序媛
这个作者很懒,什么都没留下…
展开
-
PyTorch之torch.nn.CrossEntropyLoss()
简介信息熵: 按照真实分布p来衡量识别一个样本所需的编码长度的期望,即平均编码长度交叉熵: 使用拟合分布q来表示来自真实分布p的编码长度的期望,即平均编码长度多分类任务中的交叉熵损失函数代码1)导入包import torchimport torch.nn as nn2)准备数据在图片单标签分类时,输入m张图片,输出一个mN的Tensor,其中N是分类个数。比如输入3张图片,分三类,最后的输出是一个33的Tensor,举个例子:x_input=torch.randn(3..原创 2021-01-18 14:54:01 · 2277 阅读 · 1 评论 -
PyTorch之torch.nn.Softmax()
参考链接:https://blog.csdn.net/weixin_41391619/article/details/104823086原创 2021-01-18 11:48:00 · 805 阅读 · 0 评论 -
PyTorch之实现AlexNet卷积神经网络对ImageNet数据集进行分类
添加链接描述原创 2021-01-17 20:14:59 · 627 阅读 · 0 评论 -
PyTorch之实现LeNet-5卷积神经网络对mnist手写数字图片进行分类
论文:Gradient-based learning applied to document recognition简单介绍意义:对手写数据集进行识别,对后续卷积网络的发展起到了奠基作用特点:1)局部感受野(local receptive fields): 基于图像局部相关的原理,保留了图像局部结构,同时减少了网络的权值。2)权值共享(shared weights): 也是基于图像局部相关的原理,同时减少网络的权值参数。3)下采样(sub-sampling):对平移和形变更加鲁棒,实现特征的原创 2021-01-17 19:38:59 · 1464 阅读 · 0 评论 -
PyTorch之VGG16网络结构详解以及源码解读
论文:Very Deep Convolutional Networks for Large-Scale Image Recognition简单介绍**意义:**证明了增加小卷积核的个数以及网络深度可以提高分类结果的正确率。**预处理:**各通道减去RGB在训练集上的均值。特点:1)使用小的卷积核(3 × 3)叠加的形式代替大的卷积核(5 × 5 or 7 × 7)2)卷积层不会改变layer大小,而是通过max pooling减小layer大小3)网络层数比较深优点:1)网络结构简洁:原创 2021-01-15 16:32:18 · 10680 阅读 · 0 评论