深度神经网络-CV
文章平均质量分 50
深度神经网络,图片分类
Wonder-King
有好奇心,什么都想学一点。
展开
-
chatgpt的api介绍
接受一个 json 对象,该对象将标记(由标记器中的标记 ID 指定)映射到从 -100 到 100 的关联偏差值。对于温度,较高的值(如 0.8)将使输出更加随机,而较低的值(如 0.2)将使输出更加集中和确定。:一种替代温度采样的方法,称为核采样,其中模型考虑具有 top_p 概率质量的标记的结果。较高的值(如 0.8)将使输出更加随机,而较低的值(如 0.2)将使输出更加集中和确定。您可以使用List models API查看所有可用的模型,或者查看我们的模型概述以了解它们的描述。原创 2023-04-04 14:39:08 · 12418 阅读 · 0 评论 -
yoloV5环境搭建与运行(windows+pytorch+kaggle)
环境:Windows+anaconda+pytorch云端GPU:kaggle。原创 2022-11-13 22:34:37 · 3390 阅读 · 2 评论 -
微调alexnet模型训练
微调代码只训练最后的全连接层model = torch.load( '../model/20220510-pretrain-alexnet-数据增强-0.0001.pth')num_ftrs = model.classifier[6].in_featuresmodel.classifier[6] = nn.Linear(num_ftrs, 8)for name, child in model.named_children(): if name in ['avgpool','原创 2022-05-18 17:17:23 · 291 阅读 · 1 评论 -
微调resnet18模型训练
微调代码只训练全连接层和layer4model = torch.load( '../model/20220509-pretrain-resnet18-数据增强-0.0005.pth')num_ftrs = model.fc.in_featuresmodel.fc = nn.Linear(num_ftrs, 8)for name, child in model.named_children():# if name in ['avgpool','fc']: if na原创 2022-05-18 17:15:18 · 1164 阅读 · 0 评论 -
微调vgg16预训练模型
微调代码只训练全连接层model = torch.load( '../model/20220509-pretrain-vgg16-数据增强-5e-05.pth')num_ftrs = model.classifier[6].in_featuresmodel.classifier[6] = nn.Linear(num_ftrs, 8)for name, child in model.named_children(): if name in ['avgpool','classi原创 2022-05-18 17:13:13 · 1283 阅读 · 0 评论 -
vgg16+k折交叉验证+数据增强+画图(准确率、召回率、F值)
k折交叉验证def kfold(data, k=5): """ K折交叉验证 """ X = np.arange(len(data)) KF = KFold(n_splits=k,shuffle=True) for train_idxs, valid_idxs in KF.split(X): train_iter, valid_iter = [] , [] for i in train_idxs: train_.原创 2022-05-18 17:05:55 · 1566 阅读 · 6 评论 -
DenseNet训练CIFAR10数据集的pytorch实现
代码在kaggle上训练30分钟,精度80%Sequential output shape: torch.Size([1, 64, 24, 24])Sequential output shape: torch.Size([1, 248, 3, 3])BatchNorm2d output shape: torch.Size([1, 248, 3, 3])ReLU output shape: torch.Size([1, 248, 3, 3])AdaptiveAvgPool2d outp原创 2022-04-10 16:06:28 · 2393 阅读 · 0 评论 -
ResNet训练CIFAR10数据集的pytorch实现
代码在kaggle上跑了1个小时,精度最终达到90%Sequential output shape: torch.Size([1, 64, 56, 56])Sequential output shape: torch.Size([1, 64, 56, 56])Sequential output shape: torch.Size([1, 128, 28, 28])Sequential output shape: torch.Size([1, 256, 14, 14])Sequenti原创 2022-04-10 11:27:04 · 1644 阅读 · 0 评论 -
Vgg11训练CIFAR10数据集——pytorch实现
代码在kaggle上跑了30多分钟Sequential output shape: torch.Size([1, 64, 112, 112])Sequential output shape: torch.Size([1, 128, 56, 56])Sequential output shape: torch.Size([1, 256, 28, 28])Sequential output shape: torch.Size([1, 512, 14, 14])Sequen..原创 2022-04-08 17:17:48 · 3045 阅读 · 0 评论 -
AlexNet训练CIFAR10数据集——pytorch实现
代码在kaggle上跑,精度最终为90%输入一张3*227*227的图片,每一层的输出:Conv2d output shape: torch.Size([1, 96, 57, 57])ReLU output shape: torch.Size([1, 96, 57, 57])MaxPool2d output shape: torch.Size([1, 96, 28, 28])Conv2d output shape: torch.Size([1, 256, 28, 28])R.原创 2022-04-08 14:04:34 · 1782 阅读 · 0 评论 -
LeNet训练minist数据集(pytorch)
代码在colab上测试import osimport datetimeimport torchimport torchvisionfrom torch import nnfrom torch import optimimport torch.nn.functional as Ffrom torch.autograd import Variablefrom torch.utils.data import DataLoaderfrom torchvision import t...原创 2022-03-30 16:59:24 · 2096 阅读 · 0 评论 -
DCGAN训练CIFIAR10模仿生成图片
代码在colab上跑过。import osfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn as nnimport torchfrom torch.autograd import Variableimport torch.optim as optimimport torchvision.transforms as transformsimport matplotl原创 2022-03-17 15:41:51 · 853 阅读 · 0 评论 -
VAE的Pytorch实现和可视化
VAE pytorch代码实现和可视化原创 2022-03-15 16:41:56 · 3509 阅读 · 3 评论 -
Autoencoder线性和卷积的Pytorch实现
使用autoencoder训练mnist训练集,pytorch实现原创 2022-03-15 10:44:56 · 2436 阅读 · 0 评论 -
什么是好的研究工作
创新度 x 有效性 x 问题大小 = 价值评价一个研究工作的价值,有三个评价指标:创新度 、 有效性 、 问题大小。在学术研究中,研究工作的价值很大程度取决于一个好的问题,提出一个对的研究方向尤为重要。在工业界,往往是问题导向,问题的大小已经确定,那么一个研究工作的价值则取决于解决方案的有效性和创新度。学术研究和工程(工业界)相比,往往充满不确定性,从问题到解决方案的提出,对于一个解决方案,有必要讨论其有效性,只有朝着有效的方向研究,才是有价值的研究工作。而工程往往要求确定性,使用的解决...原创 2022-01-21 16:07:34 · 771 阅读 · 0 评论 -
数据归一化
Min-max 归一化其中,x *为归一化的值,x 为原始值,xmin为特征最小值,xmax为特征最大值。原创 2022-01-15 15:02:47 · 1777 阅读 · 0 评论 -
使用ResNet50对QuickDraw数据集做图像分类
quickdraw数据集是序列数据集,包含画画的动作等信息。我将quickdraw数据集转换成黑底白字的png图片,对其做多分类。本文使用pytorch,和预训练过的resnet50深度神经网络。转换方法导航:将QuickDraw数据集ndjson转为png图片_WonderKing'blog-CSDN博客Quick Draw Dataset 是一个包含345 个类别的 每类1000张图片。因为我需要对简笔画之类的数据集做分类,但是我手上的数据集太小,就需要大量的数据集做个大模型,然后在微调。原创 2021-12-23 18:36:50 · 2107 阅读 · 0 评论 -
将QuickDraw数据集ndjson转为png图片
Quick Draw Dataset 是一个包含345 个类别的 每类1000张图片。因为我需要对简笔画之类的数据集做分类,但是我手上的数据集太小,就需要大量的数据集做个大模型,然后在微调。原创 2021-12-23 17:53:59 · 1084 阅读 · 1 评论