用了imagefolder去迭代导致预测准确率异常低

已于 2023-03-24 12:18:22 修改
阅读量2.6k 收藏
点赞数
分类专栏： BUG收集 文章标签： 深度学习 人工智能
于 2022-02-01 01:37:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40836168/article/details/122762581
版权

你打死我我也想不到是因为imagefolder输出的PIL格式和Image.open读出来的格式不一样啊！
解决方法是把imagefolder读出来的图先转成ndarray，再从ndarrary通过Image.fromarray转成JPEGImagePIL格式。。

捡BUG的人
关注
专栏目录
边缘计算与端侧推理原理与代码实战案例讲解【系列文章】
程序员光剑
07-04 1659
在当今数字化时代，随着物联网（IoT）设备的普及和人工智能技术的快速发展，传统的云计算模式面临着诸多挑战。数据传输延迟、网络带宽压力、隐私安全concerns等问题日益突出。为了解决这些问题，边缘计算和端侧推理技术应运而生，成为了现代计算架构中不可或缺的组成部分。边缘计算将计算能力下沉到靠近数据源的网络边缘，而端侧推理则直接在终端设备上进行AI模型的推理。这两种技术的结合不仅能够大幅降低数据传输延迟，提高实时性能，还能有效保护用户隐私，优化网络资源使用。
无监督学习在目标检测任务中的应用：一种新的方法用于实现目标检测算法
程序员光剑
07-25 3058
传统的目标检测算法通常需要大量的标注数据进行训练，例如图像分类、目标定位和目标识别等任务。然而，获取高质量的标注数据成本高昂且耗时费力，尤其是在一些特定领域，例如医学影像分析、遥感图像解译等，标注数据的获取更加困难。为了解决这一问题，研究人员开始探索如何利用无监督学习方法来实现目标检测，即在没有人工标注数据的情况下，让机器自动从数据中学习目标的特征表示和检测方法。本文介绍的基于无监督学习的目标检测算法主要利用了深度聚类的方法。
python中各种读取图像的方式转换成ndarray的类型
nbxuwentao的博客
03-22 1896
Python中读取图片并转化为numpy.ndarray()数据的6种方式 方式： 返回类型 OpenCV np.ndarray PIL PIL.JpegImagePlugin.JpegImageFile keras.preprocessing.image
pytorch之ImageFolder
热门推荐
朴素.无恙的博客
12-19 6万+
pytorch之ImageFolder torchvision已经预先实现了常用的Dataset，包括前面使用过的CIFAR-10，以及ImageNet、COCO、MNIST、LSUN等数据集，可通过诸如torchvision.datasets.CIFAR10来调用。在这里介绍一个会经常使用到的Dataset——ImageFolder。ImageFolder假设所有的文件按文件夹保存，每个文件夹下...
Pytorch踩坑——图像的读取方式对预测结果的影响
qq_41100991的博客
03-01 1810
1、检测结果差异巨大 通过Pytorch自带的ImagerFolder读取训练集，读取图片的方式是通过PIL库，而当我们进行一些图像操作通过Opencv读取时，会出现检测结果与预期差异巨大的情况。这是因为PIL与Opencv读取图像的算法不同，同一张图片通过PIL读取预测与通过Opencv读取预测结果是明显不一样的。如下是通过ImagerFolder读取训练集，训练的模型。 import torc...
torch笔记十四 | ImageFolder & DataLoader
滨哥v5的博客
04-15 1546
ImageFolder
torchvision.datasets.ImageFolder前的数据整理及使用方法
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
07-20 3562
通常在一个完整的神经网络训练流程中，我们常常需要构建Dataset和Dataloader用于后续模型训练时的数据读取，一般我们自己定义一个Dataset类，重写__geiitem__和__len__函数来构建Dataset。然而对于简单图像分类任务而言，无需自己定义Dataset类，调用torchvision.datasets.ImageFolder函数即可构建自己的Dataset，非常方便。...
对比学习原理与代码实战案例讲解
程序员光剑
07-04 658
数据增强：通过变换、裁剪、翻转等方式生成不同视图的数据。视图创建：从原始数据中创建多个视图，每个视图代表数据的一个不同表示或转换。损失函数：定义一个损失函数，用于衡量正例之间的相似度和负例之间的差异度。学习更新：根据损失函数的结果更新模型参数，以最小化损失。对比学习已经成为机器学习和深度学习领域的一个重要分支，其理论和实践都在不断进步。通过不断探索和优化，对比学习在无标签数据和半监督学习场景中的应用日益广泛。
神经网络设计手册 Neural Network Design Cookbook
程序员光剑
08-04 750
本书是由一群对神经网络有着浓厚兴趣的科学家共同编写而成的一本综合性的入门书籍，涵盖了从基础理论到最新研究方法，并提供有关网络结构、优化算法和应用等方面的知识和技能训练。本书既适用于对神经网络感兴趣的人士（从高中生到顶级研究人员），也可作为研究人员和工程师们的工具书。它的作者包括谷歌的Google Brain团队成员，还有斯坦福大学、加州大学伯克利分校、麻省理工学院等知名院校的教授。
有关神经网络的训练算法,训练图像识别神经网络
super339的博客
08-31 778
3、基于MATLAB语言的网络训练与仿真建立并初始化网络% ================S1 = 24;在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就像人记数字一样，学习样本时的网络权值调整就相当于人记住各个数字的形象，网络权值就是网络记住的内容，网络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。..
pytorch中torchvision模块下ImageFolder的简单理解与实际运用
weixin_42670810的博客
04-30 7668
pytorch中torchvision模块下ImageFolder的简单理解与实际运用 ImageFolder函数定义 ImageFolder(root,transform=None,target_transform=None,loader=default_loader) root: 图片总目录，子层级为各类型对应的文件目录。 transform: 对PIL image进行转换操作，transform输入的loader读取图片返回的对象 target_transform: 对label进行变换 loade
1.迭代次数对精确度的影响
m0_52571323的博客
01-05 1万+
代码环境：win10+anaconda2020.02+TensorFlow1.14.0+Keras2.2.5 源代码如下 from __future__ import print_function import numpy as np from keras.callbacks import TensorBoard from keras.models import Sequential from keras.optimizers import Adam from keras.layers import Den
RNN股票预测(Pytorch版)
qq_52237775的博客
09-16 490
记录RNN实战
Python开发深度学习常见安装包 error 解决
最新发布
想都是问题，做才有答案～～
09-19 658
Python开发深度学习常见包安装 error 解决
深度学习后门攻击分析与实现（一）
蚁景网安学院
09-19 678
在计算机安全中，后门攻击是一种恶意软件攻击方式，攻击者通过在系统、应用程序或设备中植入未经授权的访问点，从而绕过正常的身份验证机制，获得对系统的隐蔽访问权限。这种“后门”允许攻击者在不被检测的情况下进入系统，执行各种恶意活动。
循环神经网络RNN+长短期记忆网络LSTM 学习记录
qq_52237775的博客
09-14 640
记录自己学习RNN与LSTM
《深度学习》—— 神经网络模型对手写数字的识别
weixin_73504499的博客
09-19 541
神经网络模型对手写数字的识别
谷歌深度学习研究揭示OpenAI O1模型优化策略：比规模更重要的计算效率
weixin_41496173的博客
09-19 725
近年来，大型语言模型（LLMs）如OpenAI的GPT-4和Google DeepMind的Palm 2已成为自然语言处理领域的佼佼者，它们通过生成类人文本、回答复杂问题、编写代码等能力，改变了许多行业的工作方式。然而，随着这些模型规模的不断扩大，它们也面临着显著的资源消耗和性能瓶颈。谷歌最新的研究成果揭示了优化计算资源的新方法，这将对未来的AI模型发展产生深远影响。本文将深入探讨谷歌DeepMind的研究如何打破以往依赖模型规模扩展的限制，并探讨该技术如何在计算资源有限的情况下，优化模型性能。
训练迭代过程中准确率一直不上升
06-06
训练迭代过程中准确率一直不上升可能是由于以下原因造成的： 1. 模型设计不佳：模型可能太简单，无法捕捉到数据中的复杂关系，也可能太复杂，导致过拟合。需要重新设计模型或者调整模型参数。 2. 数据不足或者数据质量不佳：如果数据太少或者数据质量不佳，模型就会难以捕捉到数据的真实规律。需要增加数据量或者处理数据质量问题。 3. 学习率过高或者过低：学习率是控制模型参数更新幅度的参数，如果学习率过高或者过低，都会导致模型训练不稳定。需要适当调整学习率。 4. 训练次数不足：如果训练次数太少，模型就没有足够的时间学习数据中的规律。需要增加训练次数。 5. 数据集划分不合理：如果数据集划分不合理，比如训练集、验证集和测试集的分配比例不合理，就会导致模型无法准确评估自己的表现。需要重新划分数据集。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值