- 博客(256)
- 收藏
- 关注
RSS订阅
1原创 电磁波的极化表征-2-Jones矢量
这一章我们谈一下Jones矢量，话不多说，直接上干货。：文章摘选自《合成孔径雷达图像解译与应用技术》孙洪等著。
2023-03-15 16:22:05
323
原创 电磁波的极化表征-1-极化椭圆
在笛卡尔(Cartesian)坐标系中，令单色平面简谐电磁波沿Z轴方向传播，则电场矢量E(z)由x和y两个方向的分量Ex(z)和Ey(z)组成(如图3.1所示)，用式(3.1)表示。今天来谈谈SAR数据极化特征，在谈到SAR数据的极化特征前，有一点需要大家知道的是，SAR是依赖电磁波传播来进行成像的。因此，我们需要先了解电磁波的极化表征。：摘选自《合成孔径雷达图像信息解译与应用技术》，下面咱们对这三个方面，分别进行介绍。
2023-03-15 11:32:53
665
原创 分享几个有关PyTorch深度学习的链接
今天这篇文章给大家分享几个有用的深度学习链接;当前的超分辨率技术调查：https://arxiv.org/pdf/1902.06068.pdfIan Goodfellow关于GAN 的演讲：https://www.youtube.com/watch?v=ZrxFNMGn0You Only Look Once(YOLO),一组快速对象检测模型和很可读的一些文章:https://pjreddie.com/darknet/yoloCleverHans,面向Tensorflow和PyTorch的一个对抗式
2022-03-01 20:02:57
605
原创 调试GPU问题——看看你的GPU到底在干什么？
今天我们来谈谈使用GPU时，常常会面临的一个内存不足的问题，以及如何解决。当我们在训练较大的深度学习模型时，你很快就会发现，你花了那么多钱买的炫酷的GPU（或者可能更明智地使用了云实例上的GPU）会经常出问题，总是抱怨内存不足。不过，要知道GPU有数GB的内存！怎么可能不足呢？模型往往会占用大量内存。例如，ResNet-152有约6000万激活，所有这些都会占用GPU上宝贵的空间。下面我们来看看GPU内部，确定内存不足时可能在做什么。检查GPU如果你使用了一个NVIDIA GPU（如果你使用的是其他
2022-03-01 17:05:06
1333
原创 百尺竿头，更进一步——如何最后一步再提升一下模型的精度？
今天来讲一讲，如何在模型已经取得不错的精度的情况下，进一步提升模型的性能。一句话：从小到大，逐步变大比如，我们在256x256图像上训练，可以多创建几个数据集，其中的图像缩放为64x64和128x128。用64x64的数据集创建你的模型，照常进行微调，然后用128x128的数据集训练同样的模型。不是从头开始，而是使用之前训练得到的参数。一旦看起来已经最大限度地对这个128x128的数据进行了训练，再转向你的目标数据，即256x256的数据。你可能会发现准确度会有一两个百分点的提升。理论依据：用较低的分
2022-03-01 16:18:53
854
原创 深度学习——查找学习率
我们在训练神经网络模型时，能修改最多的超参数就是学习率，但是大部分方法都只是提议使用一个相当小的数，让自己试验不同的值。因此，很多人都是以这种方式来为他们的架构发现最优学习率，通常会采用一种称为网格搜索(grid search)的技术，就是穷尽搜索一个学习率值的子集，将结果与一个验证数据集比较。这会浪费大量的时间。这里提出一个更为简洁、快速的方法，以便我们找到合适的学习率这种方法是：在一个epoch期间，首先从一个小的学习率开始，每一个小批次增加到一个更大的学习率，直到这个epoch结束时得到一个很大的学
2022-03-01 16:11:43
1306
原创 深度学习模型预测及模型的保留
今天这篇文章讨论一下我们进行深度学习时，如何将预测的结果如何转换为对应的标签以及如何将最后的模型进行保存和加载。预测为了更清晰地说明整个过程，我们还是以代码来说明一下：from PIL import Iamgelabels=['cat','fish']img=Image.open(FileName)img=transforms(img)img=img.unsequeeze(0)prediction=simplenet(img)prediction=prediction.argmax()
2022-02-28 17:25:09
1408
原创 如何创建一个网络
今天来谈谈，初入深度学习，我们如何搭建一个简单的网络模型，话不多说，直接上代码：class SimpleNet(nn.Moudle):def _init_(self): super(Net,self)._init_() self.fc1=nn.Linear(12288,84) self.fc2=nn.Linear(84,50) self.fc3=nn.Linear(50,2) def forward(self): x=x.view(-1,12288)
2022-02-28 17:01:02
853
原创 建立深度学习验证和测试数据集
深度学习经常需要面临一个过拟合(overfitting)的问题:你的模型确实能很好地识别所训练的数据，不过不能泛化到它没有见过的例子。比如，它看到一个猫的图像后，除非所有其他猫图像都与这个图像非常相似，否则模型不会认为那是猫。为了防止这种问题的发生，所以我们就需要一个数据集来确保我们的网络没有问题。这里再说一下数据集类型：训练集在训练过程中用来更新模型验证集用来评价模型在这个问题领域的泛化能力，而不是与训练数据拟合程度；不用来直接更新模型。Test set最后一个数据集，训练完成后对模型的性能
2022-02-24 16:09:08
1058
原创 深度学习如何建立一个训练数据集？
Pytorch中的torchvision包中有一个名为ImageFolder的类，它能很好地为我们完成一切，只要我们的图像在一个适合的目录结构中，其中每一个目录分别是一个标签(例如，所有猫都在一个名为cat的目录中)。对于我们在对猫狗进行分类时，我们只需要以下代码：import torchvisionfrom torchvision import transformstrain_data_path='"./train/"transforms=transforms.Compose([ tran
2022-02-23 22:03:05
1835
原创 Pytorch和数据加载器
今天我们来谈谈，当我们拥有数据集时，如何对这数据集进行处理，将数据集放入模型中进行预测。要加载数据并转换为可以进行训练的格式，这常常时数据科学中占用我们相当多时间的领域之一。Pytorch开发了与数据交互的标准约定，所以能一致地处理数据，不论是处理图像、文本还是音频。与数据交互的两个主要约定是数据集(dataset)和数据加载器(data loaders)。数据集是一个Python类，使我们能够获得能够提供给神经网络的数据。数据加载器则是从数据集向网络提供数据(这可能包干很多信息，比如有多少个工作进程向
2022-02-23 21:44:31
555
原创 深度学习中最基本的操作单元——张量
今天我们来谈一下，深度学习中最基本的数据操作单元——张量张量是一个数字容器，同时也是定义张量转换来生成新张量的一组规则，如果对这个概念还是感觉到比较难理解的同学，我们可以将张量想象成多维数组。每个张量有一个秩或者阶(rank)，这对应它的维度空间。一个简单标量(如1)可以表示为秩为0的张量，向量秩为1，一个nxn的矩阵秩为2，以此类推。张量操作如果查看PyTorch文档(https://oreil.ly/1Ev0-),会看到大量可以在张量上应用的函数，从查找最大元素到应用傅里叶变换一应俱全。一般来说，
2022-02-11 09:33:56
1519
原创 如何组装深度学习的计算机
今天这篇博客来讲讲进行深度学习时，所需的设备配置的问题。1.如果需要运行特别大的深度学习模型，可以用一些在线的资源，比如华为云、Paddle、Amazon Web Services、Google Cloud、Microsoft Azure等云计算资源。2.如果资金比较充足，可以自己组装深度学习的计算机，那么就需要考虑到CPU、GPU、固态硬盘…这里简要介绍一下所需的基本的配置。GPU每一个深度学习机器的核心是GPU，它要为大部分PyTorch计算提供动力，这可能也是机器中最贵的部件。近几年来，由于比
2022-02-10 21:27:44
2011
原创 各种超参数对模型容量的影响
大部分超参数可以通过推理其是否增加或减少模型容量来设置。各种超参数对模型的影响见下表：注：文章摘选自《Deep Learning》Iran Goodfellow
2022-01-19 09:54:35
896
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人