Pytorch深度学习
文章平均质量分 95
基于Pytorch的深度学习
前丨尘忆·梦
接受自己的不完美,我从来没有优秀过,也从来不曾放弃过!
展开
-
论文复现过程中的一些问题总结
文章目录1、numpy.reshape2、torch.nn.Unfold:滑动裁剪3、灰度图和彩图的区别3.1、属性上的区别3.2、读取后存储的区别4、np.unravel_index:获取索引1、numpy.reshapenumpy.reshape(a, newshape, order='C')在不更改其数据的情况下为数组赋予新形状。a:数组——需要处理的数据newshape :新的格式——整数或整数数组,如 (2,3) 表示2行3列。新的形状应该与原来的形状兼容,即行数和列数相乘后原创 2022-04-08 16:16:50 · 1650 阅读 · 0 评论 -
视觉处理基础
视觉处理基础文章目录视觉处理基础1、卷积神经网络简介2、卷积层2.1、卷积核2.2、步幅2.3、填充2.4、多通道上的卷积2.5、激活函数2.6、卷积函数3、池化层3.1、局部池化3.2、全局池化4、现代经典网络4.1、LeNet-54.2、AlexNet1、卷积神经网络简介卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)等。下面是一个卷积神经网络的例子:上图为卷积神经网络的一般结构,其中包括卷积神经网络的常用原创 2022-03-22 11:23:03 · 4025 阅读 · 0 评论 -
PyTorch数据处理工具箱
PyTorch 数据处理工具箱文章目录PyTorch 数据处理工具箱1、数据处理工具箱概述2、utils.data 简介2.1、自定义一个数据集3、torchvision 简介3.1、transforms3.2、ImageFolder4、可视化工具1、数据处理工具箱概述Pytorch 涉及数据处理(数据装载、数据预处理、数据增强等)主要工具包及相互关系如图:它主要包含 4 个类:Dataset:是一个抽象类,其它数据集需要继承这个类,并且覆写其中的两个方法(_getitem_、_len_);原创 2022-03-20 20:34:27 · 1103 阅读 · 0 评论 -
Pytorch 神经网络工具箱
Pytorch 神经网络工具箱文章目录Pytorch 神经网络工具箱1、神经网络核心组件2、实现神经网络实例3、如何构建神经网络?3.1、构建网络层3.2、前向传播3.3、反向传播3.4、训练模型4、神经网络工具箱 nn4.1、nn.Module4.2、nn.functional5、优化器5.1、使用优化器的一般步骤5.2、动态修改学习率参数5.3、优化器比较6、手写数字识别案例本文章代码:github1、神经网络核心组件神经网络看起来很复杂,节点很多,层数多,参数更多。但核心部分或组件不多,把原创 2022-03-19 19:03:27 · 177 阅读 · 0 评论 -
Numpy 和 Tensor
Numpy 和 Tensor文章目录Numpy 和 Tensor1、Numpy 与 Tensor1.1、Tensor 概述1.2、创建 Tensor1.3、修改 Tensor 形状1.4、索引操作1.5、广播机制1.6、逐元素操作1.7、归并操作1.8、比较操作1.9、矩阵操作1.10、Pytorch 与 Numpy 比较2、Tensor 与 Autograd2.1、自动求导要点2.2、计算图3、使用 Numpy 实现机器学习4、使用 Tensor 及 antograd 实现机器学习1、Numpy 与原创 2022-03-19 15:07:06 · 1978 阅读 · 0 评论 -
深度学习用于计算机视觉
深度学习用于计算机视觉文章目录深度学习用于计算机视觉1、卷积神经网络简介1.1、卷积运算1.1.1、理解边界效应与填充1.1.2、理解卷积步幅1.2、最大池化运算2、在小型数据集上从头开始训练一个卷积神经网络2.1、深度学习与小数据问题的相关性2.2、下载数据2.3、构建网络2.4、数据预处理2.5、使用数据增强卷积神经网络,也叫 convnet,它是计算机视觉应用几乎都在使用的一种深度学习模型。你将学到将卷积神经网络应用于图像分类问题,特别是那些训练数据集较小的问题。1、卷积神经网络简介# 实例化原创 2022-03-18 18:46:45 · 998 阅读 · 1 评论 -
机器学习基础
机器学习基础文章目录机器学习基础1、机器学习的四个分支1.1、监督学习1.2、无监督学习1.3、自监督学习1.4、强化学习2、评估机器学习的模型2.1、训练集、验证集和测试集2.1.1、简单的留出验证2.1.2、K 折验证2.1.3、带有打乱数据的重复 K 折验证2.2、评估模型的注意事项3、数据预处理、特征工程和特征学习3.1、神经网络的数据预处理3.2、特征工程4、过拟合和欠拟合4.1、减小网络大小4.2、添加权重正则化4.3、添加 dropout 正则化5、机器学习的通用工作流程5.1、定义问题,收原创 2022-03-17 20:44:54 · 281 阅读 · 0 评论 -
神经网络入门
神经网络入门文章目录神经网络入门1、神经网络剖析2、Keras3、电影评论分类:二分类问题总结神经网络的核心组件,即层、网络、目标函数和优化器。1、神经网络剖析训练神经网络主要围绕以下四个方面:层,多个层组合成网络(或模型);输入数据和相应的目标;损失函数,即用于学习的反馈信号;优化器,决定学习过程如何进行。层:深度学习的基础组件神经网络的基本数据结构是层。层是一个数据处理模块,将一个或多个输入张量转换为一个或多个输出张量。有些层是无状态的,但大多数的层是有状态的,即层的权原创 2022-03-17 11:45:43 · 837 阅读 · 0 评论 -
神经网络的数学基础
神经网络的数学基础文章目录神经网络的数学基础1、初识神经网络2、神经网络的数据表示3、神经网络的 “齿轮”:张量运算4、神经网络的 “引擎”:基于梯度的优化5、一个实例6、总结1、初识神经网络接下来的工作流程如下:首先,将训练数据( train_images 和 train_labels)输入神经网络;其次, 网络学习将图像和标签关联在一起;最后,网络对 test_images 生成预测,而我们将验证这些预测与 test_labels 中的标签是否匹配。神经网络的核心组件是层( lay原创 2022-03-16 21:25:54 · 4588 阅读 · 1 评论 -
什么是深度学习?
什么是深度学习?文章目录什么是深度学习?1、机器学习2、从数据中学习表示3、深度学习之 “深度”4、用三张图来理解深度学习的工作原理1、机器学习在经典的程序设计(即符号主义人工智能的范式)中,人们输入的是规则(即程序)和需要根据这些规则进行处理的数据,系统输出的是答案;利用机器学习,人们输入的是数据和从这些数据中预期得到的答案,系统输出的是规则。这些规则随后可应用于新的数据,并使计算机自主生成答案。机器学习系统是训练出来的,而不是明确地用程序编写出来的。将与某个任务相关的许多示例输入机器学原创 2022-03-15 17:17:00 · 1088 阅读 · 0 评论