pytorch
qq_35641067
这个作者很懒,什么都没留下…
展开
-
5.SVHN 数据集识别完整代码
SVHN 数据集识别import os, sys, glob, shutil, jsonos.environ["CUDA_VISIBLE_DEVICES"] = '0'import cv2from PIL import Imageimport numpy as npfrom tqdm import tqdm, tqdm_notebookimport torchtorch.manual_seed(0)torch.backends.cudnn.deterministic = Falsetor原创 2020-06-02 20:37:50 · 3861 阅读 · 9 评论 -
pytorch的梯度反向传播 detach backward
一、梯度的传播反向传播什么时候停止1.为叶子节点时【反向时前面没有与之相连的节点】常见的叶子节点【输入】2.该节点唯一相连的节点的require_grads=False3.该节点唯一相连的节点使用detach函数时该方法常用于GAN网络生成器的输出使用detach时,pytorch不对生成器进行梯度计算,叶子节点为判别器的首个参数二、 detach梯度分离的使用https://www.jb51.net/article/181631.htm三、 详解backward()ht原创 2020-05-29 19:50:09 · 690 阅读 · 0 评论 -
4_SVHN数据集的验证与评估
SVHN数据集的验证与评估训练集,测试集,验证集的不同作用训练集:训练网络,调整网络参数,!不能提高模型泛化能力 验证集:验证模型精度,调整网络超参数 测试集:验证模型的泛化能力验证集的选择方法1.留出法:划分训练集一部分作为训练集,一部分作为验证集【一般比例8:2】 &适用于数据量较大& 2.K折交叉验证法:划分训练集为K份,循环K次让每份都作为验证集,其他K-1份为训练集 &适用于数据量不大的情况& 3.bootstrap法:每次有放回的从训练集原创 2020-05-29 19:11:21 · 1728 阅读 · 0 评论 -
3构建SVHN数据集的数字识别网络
pytorch 网络构建import torchtorch.manual_seed(0)torch.backends.cudnn.deterministic= Falsetorch.backends.cudnn.benchmark = Trueimport torchvision.models as modelsimport torchvision.transforms as transformsimport torchvision.datasets as datasetsimport to原创 2020-05-25 15:37:06 · 2414 阅读 · 0 评论