深度学习
文章平均质量分 87
lecuerc
这个作者很懒,什么都没留下…
展开
-
pytorch 实现CIFAR-10多分类
基于数据集CIFAR-10,利用卷积神经网络进行分类。1.CIFAR-10数据集1.1概念由10个类的6w个32x32彩色图像组成,每个类由6k个图像。5w个训练图,1W测试图。分为5个训练批次,1个测试批次,每个批次有1w个图像。测试批次每个类恰好1k张随机图像。训练批次随机顺序包含剩余图像,总之,5个训练集之和包含每个类的5k张。多分类单标签1.2组成data ——一个10000x3072个uint8s的numpy数组。数组的每一行存储一个32x32的彩色图像。前1024个条目包含红色原创 2020-12-29 17:05:17 · 3903 阅读 · 0 评论 -
pytorch数据处理工具箱
1.Dataset一个抽象类,其他数据集继承这个类,并且覆写这两个方法(__getitem、__len)class TestDataset(data.Dataset): def __init__(self): self.Data=np.asarray([[1,2],[3,4],[2,1],[3,4],[4,5]]) self.Label=np.asarray([0,1,0,1,2]) def __getitem__(self, index): .原创 2021-01-20 11:45:12 · 205 阅读 · 1 评论 -
手写数字识别
手写数字识别的简单demo环境 python3.8 torch 1.5.1+cpu 数据集MINIST步骤:1.minist函数下载数据2.预处理,创建一个迭代器DataLoder3.可视化数据4.nn工具箱创建网络5.实例化模型6.训练模型7.可视化结果结构:2个hiddenlayer 激活函数relu准备数据import numpy as npimport pandas as pdimport torchimport matplotlib.pyplot as plt原创 2020-12-21 19:45:13 · 558 阅读 · 0 评论 -
目标检测(R-CNN,Fast R-CNN,Faster R-CNN ,yolo)
文章目录前言一、准备知识1. 交并比IoU2. mAP补充:查全率和查准率3. 感兴趣区域ROI4.传统目标检测二、R-CNN三、Fast四、总结前言目标检测Object Detection是将目标从图像中提取出来。简单来说就是定位+分类,知道在哪里知道是什么东西。目标检测一般包括以下三个步骤:框住图中的某一部分作为候选区域。提取候选区域相关的视觉特征利用分类器进行识别一、准备知识1. 交并比IoU物体检测是通过IoU来进行精准度评价的。使用两个区域的交集区域除以两个区域的并原创 2021-02-01 13:50:32 · 437 阅读 · 0 评论 -
生成式模型
半监督模型目前流行的三种模型1 PixelRNN&PixelCNN外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述![在这里插入图片描述]直https://接上传(blog.csdnimg.cn/m-28iaB10114162119307.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzIxMTY5,s原创 2021-02-01 10:37:01 · 5215 阅读 · 0 评论