pytorch学习
文章平均质量分 83
緈福的街口
这个作者很懒,什么都没留下…
展开
-
Pytorch学习:torch.randn()
返回一个张量,这个张量中填充了均值为0、方差为1的正态分布中的随机数。时,产生一个2个样本,3行4列且其中的数服从标准正态分布的张量。时,产生一个2行3列且里面的数服从标准正态分布的张量。有时会遇到括号中有1个、2个、3个和4个情况。即为(样本大小,通道数,高度,宽度)。这在深度学习中较为常见,一般代表。服从标准正态分布的张量。原创 2023-09-15 19:24:33 · 1236 阅读 · 0 评论 -
Pytorch学习:torch.argmax(input, dim, keepdim=False)详解
下面是某深度学习模型在刚开始训练时所预测的标签与真实标签的差异,随着训练的进行,准确率也会不断上升。它表示是否保留要消去的维数,用上面的程序来示范。类似,它也常被用于深度学习中的分类问题。返回输入中所有元素的最大值的索引,与。(行),即求每列最大值的索引。(列),即求每行最大值的索引。的情况,它保留了要消去的列。接下来引入dim属性,原创 2023-09-15 18:48:48 · 344 阅读 · 0 评论 -
Pytorch学习:torch.max(input,dim,keepdim=False)
二维数组中dim=0代表行,torch.max(a, dim=0)代表消去行,求每列的最大值,keepdim=True则代表保留行。二维数组中dim=1代表列,torch.max(a, dim=0)代表消去列,求每行的最大值,keepdim=True则代表保留列。keepdim=True,vlaues=tensor([[4], [4], [6], [9]])有两个中括号。indices代表最大值所处的位置(第一行第四个:3,第二行第一个:0,第三行第一个:0,第四行第四个:3)原创 2023-09-13 16:09:56 · 635 阅读 · 1 评论 -
Pytorch学习:卷积神经网络—nn.Conv2d、nn.MaxPool2d、nn.ReLU、nn.Linear和nn.Dropout
在训练期间,使用来自伯努利分布的样本以概率 p 随机地将输入张量的一些元素归零。打开命令行,输入以下代码,并打开TensorBoard的链接: http://localhost:6006/其中包括对卷积操作中卷积核的计算、填充、步幅以及最大值池化的操作。最大值池化层,对由多个输入平面组成的输入信号应用2D最大池化。使用CIFAR10数据进行卷积操作,并进行可视化操作。对由多个输入平面组成的输入信号应用2D卷积。卷积核通过选取内核大小,其中参数值是随机的。最大汇聚层,也叫做最大池化层,代码实现。原创 2023-09-05 09:43:49 · 833 阅读 · 0 评论 -
Pytorch学习:神经网络模块torch.nn.Module和torch.nn.Sequential
Sequential 的 forward() 方法接受任何输入并将其转发到它包含的第一个模块。然后,它将输出“链接”到每个后续模块的输入,最后返回最后一个模块的输出。如受影响,请参阅特定模块在培训/评估模式下的行为详情,例如: Dropout 、 BatchNorm 等。如受影响,请参阅特定模块在培训/评估模式下的行为详情,例如: Dropout 、 BatchNorm 等。因此,如果模块在优化时将驻留在GPU上,则应在构造优化器之前调用该函数。模块将按照它们在构造函数中传递的顺序添加到它。原创 2023-08-30 21:28:57 · 1463 阅读 · 0 评论 -
Pytorch学习:常见数据集torchvision.datasets—CIFAR10、Fashion-MNIST和ImageNet,以及数据集的使用DataLoader
训练批次包含随机顺序的剩余图像,但是一些训练批次可能包含来自一个类的图像多于来自另一个类的图像。该数据集涵盖1000个对象类,包含1,281,167张训练图像,50,000张验证图像和100,000张测试图像。Fashion-MNIST 是Zalando文章图像的数据集-由60,000个示例的训练集和10,000个示例的测试集组成。CIFAR-10数据集由10个类别的60000张32 x32彩色图像组成,每个类别6000张图像。模块中提供了许多内置的数据集,以及用于构建自己的数据集的实用程序类。原创 2023-08-24 22:03:43 · 1082 阅读 · 0 评论 -
Pytorch学习:torchvison.transforms常用包(ToTensor、Resize、Compose和RandomCrop)
给定平均值: (mean[1],…,mean[n]) 和标准值: (std[1],…,std[n]) 对于 n 通道,该变换将归一化输入 torch.*Tensor 的每个通道,即, output[channel] = (input[channel] - mean[channel]) / std[channel]如果图像是torch tensor,则预计具有[…,H,W]形状,其中…表示任意数量的前导维度,但如果使用非恒定填充,则预计输入最多具有2个前导维度。,H,W]形状,其中…表示任意数量的前导维度。原创 2023-08-23 21:42:01 · 633 阅读 · 0 评论 -
将单个训练数据集文件拆分为:image文件和label文件(pytorch学习+蚂蚁蜜蜂数据集)
创建ants_label和bees_label,并且以图片名作为txt文件的名称,将标签写入到txt文件中。1、创建python文件,与数据集dataset同一路径下。将ants分为ants_image和ants_label。将bees分成bees_image和bees_label。将标签写入到txt文件中。原创 2023-08-16 20:49:57 · 413 阅读 · 0 评论