深度学习
解读深度学习图像领域前沿论文,以Pytorch为编程框架,掌握深度学习入门及研究思路,提升深度学习代码能力和研究能力。
AsajuHuishi
Github:https://github.com/AsajuHuishi
展开
-
个人博客总结:基于Pytorch的深度学习/机器学习相关博客(2020)
以下是本人基于Pytorch的深度学习/机器学习相关的博客总结(2020.3–2020.11)1.文件批量处理与数据读取python os 批量文件尺寸异常检查(代码可运行)python+FTP 批量上传文件python读取mat报错?一招解决NotImplementedError: Please use HDF reader for matlab v7.3 filesPython PIL、cv2、Dataloader、plt读取/显示图像数据集对比实例sklearn手写体数据集 Datalo原创 2020-11-02 22:32:22 · 308 阅读 · 0 评论 -
计算机视觉2020:Automatic Integration 利用自动积分进行体积渲染
文章地址 D. B. Lindell, J. N. P. Martel, G. Wetzstein, AutoInt: Automatic Integration for Fast Neural Volume Rendering (arXiv), 2020介绍数值积分(Numerical integration)是科学计算的一项基础技术,是许多计算机视觉应用的核心。在这些应用中,隐式神经体积渲染(implicit neural volume rendering)最近被提出作为一种新的视图合成范式,以实现原创 2020-12-20 17:20:30 · 970 阅读 · 1 评论 -
Pytorch DataLoader 读取tif(完整代码)
需要安装 infernofrom torch.utils.data import DataLoader, Datasetfrom inferno.io.transform.base import Transform, Composefrom inferno.io.transform.generic import Normalize, AsTorchBatchfrom inferno.io.transform.image import RandomCrop, RandomRotate, RandomF原创 2020-11-29 23:19:44 · 3338 阅读 · 5 评论 -
ubuntu16.04+GTX1080 Ti+Linux搭建anaconda深度学习虚拟环境
文章目录准备工作安装anaconda查看显卡驱动版本查看显卡驱动与CUDA的对应关系虚拟环境搭建配置虚拟环境建立虚拟环境进入虚拟环境退出虚拟环境本人使用的linux版本为ubuntu16.04。准备工作安装anaconda这部分可以参考ubuntu16.04安装和使用Anaconda3查看显卡驱动版本cat /proc/driver/nvidia/version查看显卡驱动与CUDA的对应关系参考 https://docs.nvidia.com/cuda/cuda-toolkit-rel原创 2020-11-10 22:33:27 · 318 阅读 · 0 评论 -
显存充足 RuntimeError: CUDA error: out of memory
如果平时训练测试都没问题,忽然有一天测试的时候出现RuntimeError: CUDA error: out of memory,很有可能是因为当时训练时使用的卡号和现在使用的卡号不一致。我今天用0卡的时候发现 RuntimeError: CUDA error: out of memory首先nvidia-smi,发现0卡显存充足。然后查看之前的日志,发现打印的变量在1卡上。这说明我们之前用1卡运行是没有问题的,需要将cuda 1映射到cuda 0。修改测试代码即可,将checkpoint .原创 2020-11-05 16:35:08 · 4121 阅读 · 1 评论 -
RuntimeError: binary_op(): expected both inputs to be on same device, but input a is on cuda:1 and i
问题描述平时使用GPU0号卡,在改到GPU1号卡后出现以下问题:RuntimeError: binary_op(): expected both inputs to be on same device, but input a is on cuda:1 and input b is on cuda:0命令行参数设置如下: # Hardware specifications parser.add_argument('-cpu','--cpu', action='store_true',原创 2020-10-31 14:13:19 · 920 阅读 · 5 评论 -
Python 基于卷积神经网络实现蒸汽波复古风格滤镜
蒸汽波风格的最大特征是混合了上世纪8090年代各种标签和元素。 蒸汽波影响最大的国家是美国,日本,中国。美国是一个多元文化国家,任何带有混合属性的文化都很容易在活跃而包容的艺术社会中诞生和被接受。蒸汽波的画面中出现最多的就是日文和中文。上个世纪的人们都认为,1995年的东京就是未来。在日本泡沫经济时期,人人都挥舞着万元钞票当街拦车,霓虹灯的映照下,无处不充斥着粉色和紫色的光线,人们就活在这奢靡而满足的氛围里。层出不穷的新一代电子产品,不断进步的科技生活,美丽而不切实际的未来似乎就近在眼前。而中国作为神原创 2020-10-22 22:11:20 · 1131 阅读 · 1 评论 -
pytorch [::-1] 镜像翻转
本文转载于https://heroinlin.github.io/2018/03/12/Pytorch/Pytorch_tensor_flip/Tensor的镜像翻转在使用numpy时我们可以对数组进行镜像翻转操作,如以下例子import numpy as nparray = np.array(range(10))print(array)print(array[::-1])[0 1 2 3 4 5 6 7 8 9][9 8 7 6 5 4 3 2 1 0]但是在pytorch中并不能通转载 2020-10-13 18:36:08 · 4942 阅读 · 0 评论 -
CVPR2019:Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 任意尺度的图像超分辨率
论文:Meta-SR: A Magnification-Arbitrary Network for Super-Resolution 任意尺度的超分辨率代码:https://github.com/XuecaiHu/Meta-SR-Pytorch.git简介随着深度卷积神经网络(DCNNs)的发展,近年来对超分辨率的研究取得了巨大的成功。然而,任意尺度因子的超分辨率长期以来一直被忽视。以往的研究大多将不同尺度因子的超分辨视为独立的任务。他们针对每个尺度因子训练一个特定的模型,计算效率较低,且只考虑了几个原创 2020-08-05 15:05:01 · 1605 阅读 · 0 评论 -
带dilation的卷积输出尺寸计算公式(附代码)
带dilation的卷积输出尺寸计算公式K′=dilation+(kernel−1)⋅(dilation−1)K'=dilation+(kernel-1)\cdot(dilation-1)K′=dilation+(kernel−1)⋅(dilation−1)Wout=win−K′+2paddingstride+1W_{out}=\frac{w_{in}-K'+2padding}{stride}+1Wout=stridewin−K′+2padding+1举例# -*- coding: utf-8原创 2020-07-29 23:23:42 · 1931 阅读 · 0 评论 -
Pytorch单GPU、多GPU训练的几个细节对比
训练前单GPU:os.environ["CUDA_VISIBLE_DEVICES"] = '0'多GPU:os.environ["CUDA_VISIBLE_DEVICES"] = '0,1'if torch.cuda.device_count() > 1: print("Let's use", torch.cuda.device_count(), "GPUs!") self.model = nn.DataParallel(self.model)训练过程中保存模型单GP原创 2020-06-03 23:46:20 · 2730 阅读 · 0 评论 -
Python PIL、cv2、Dataloader、plt读取/显示图像数据集对比实例
获得数据集是深度学习代码的首要步骤。下面我们使用相同的场景对PIL、cv2、Dataloader进行比较。假设图像处于/single_images/images/目录下,尺寸64x64x3。import numpy as npimport osimport matplotlib.pyplot as plt1.PILfrom PIL import Imageimages = os.listdir('./single_images/images/')length = len(images)原创 2020-05-25 11:21:51 · 2137 阅读 · 0 评论 -
GAN二次元头像生成Pytorch实现(附完整代码)
介绍本文是李宏毅GAN课程课后作业HW3_1(二次元头像生成,Keras实现)的Pytorch版本。写这篇的原因是一方面刚开始接触GAN,二是个人比较习惯用Pytorch,所以将keras改成Pytorch版本。实现所需要的资源:链接:https://pan.baidu.com/s/1cLmFNQpJe1DOI96IVuvVyQ提取码:nha2本文一个改动就是将kernel=4变成了3,因为kernel一般都是奇数。其他和原网络基本相同。下面是主要部分的代码,包括网络模块和训练/验证/原创 2020-05-19 16:48:46 · 7236 阅读 · 7 评论 -
Pytorch半精度训练(以两层BP网络为例) 与正常训练对比及loss可视化
Pytorch半精度训练,只需要修改以下内容:Variables:x,y = x.cuda().half(),y.cuda().half()model:model.cuda().half()以两层累积BP网络为例,数据采用西瓜数据集3.0,分别使用全精度训练和半精度训练,发现在本文中网络很小的情况下,二者的loss曲线几乎是一样的。另外,使用Adam优化器注意需要设置eps参数,否...原创 2020-05-02 21:44:57 · 2996 阅读 · 0 评论 -
【文献阅读2020】 像素级自适应学习的超分辨率Pixel-Level Self-Paced Learning For Super-Resolution
原文链接github近年来,基于深度网络的预测超分辨率图像在多个图像领域得到了广泛的应用。然而,随着这些网络的构建越来越深入,它们的训练时间也越来越长,这可能会引导学习者进行局部优化。为了解决这一问题,本文设计了一种像素级自适应学习(PSPL)训练策略来加速SISR模型的收敛速度。PSPL模拟自定步长学习,将预测的SR图像中的每个像素及其对应的ground truth中的像素赋予一个注意权值,...原创 2020-04-14 00:06:15 · 715 阅读 · 0 评论