深度学习
文章平均质量分 59
静待缘起
这个作者很懒,什么都没留下…
展开
-
【深度学习】-pytorch新手入门经验,完整代码+详细注释
第一阶段:拿来主义1.学会如何用torch方式:看大量博文,将手写数字识别用torch做出来成果:成功做出效果import torchfrom torchvision import datasets,transformsimport torchvisionfrom torch.autograd import Variableimport numpy as npimport matplotlib.pyplot as pltfrom torch.utils.data import Data原创 2021-10-23 10:55:59 · 2471 阅读 · 0 评论 -
paddle 模型保存与加载
paddle 模型保存与加载原创 2022-02-21 17:30:35 · 820 阅读 · 0 评论 -
numpy ValueError: cannot reshape array of size 200704 into shape (1,3,224,224)
报错ValueError: cannot reshape array of size 200704 into shape (1,3,224,224)解决如何将200704—2242244像素转变成2242243像素————png转jpgfile_path = 'work/216_cir_1_r95.png'im = Image.open(file_path) # 将一个4通道转化为rgb三通道img = im.convert("RGB")pri原创 2021-12-02 13:23:18 · 3964 阅读 · 0 评论 -
numpy reshape与resize区别
reshape :1)reshape-1:无返回值的reshape;2)reshape-2:有返回值的reshape。注意:把array reshape成一个新的结构,但是不会改变原来的array,也不会改变array原本的数据,比如下图 # error 所显示,若强制把8个数据reshape成(2,3)则会报错。resize:1)resize-1:无返回值的resize,会改变原来array的shape;2)resize-2:有返回值的resize,不会改变原来array的shape;3)r转载 2021-12-02 13:08:59 · 495 阅读 · 0 评论 -
matplotlib的subplot使用
应用场景subplot用来将多个图拼在一张图上展示出来代码展示简单一句话subplot(331)表示将整个figure分成三行三列,并将该图形放在第1个网格中后面用imshow(img)接入一张要显示的图最后用show()将图片展示...原创 2021-11-16 14:18:09 · 2166 阅读 · 0 评论 -
unet模型及代码解析
什么是unet一个U型网络结构,2015年在图像分割领域大放异彩,unet被大量应用在分割领域。它是在FCN的基础上构建,它的U型结构解决了FCN无法上下文的信息和位置信息的弊端(下文细说)Unet网络结构主干结构解析左边为特征提取网络,右边为特征融合网络特征提取网络由两个3x3的卷积层(RELU)再加上一个2x2的maxpooling层组成一个下采样的模块,一共经过4次这样的操作特征融合网络由一层反卷积+特征拼接concat+两个3x3的卷积层(ReLU)反复构成,一共经过4次这样的操原创 2021-11-06 13:01:49 · 51524 阅读 · 8 评论 -
语义分割FCN简介
模型任务将图片中的事物按照人的理解进行区域性分割模型简介整体构架在上图这个特定的FCN中,一个问题是通过几个交替的卷积层和池层传播,输出特征映射的分辨率被降采样,会损失大量细节特征缺失。因此,FCN的直接预测通常分辨率较低,导致对象边界相对模糊。于是有的学者考虑使用一个挑层结构将底层特征与上层特征拼接到一起,为输出图像添加比较细节的边界特征主要特点FCN将知识从VGG16传输到执行语义分割。VGG16的全连接层使用1X1卷积转换为全卷积层。这个过程产生一个低分辨率的类存在热图原创 2021-11-06 12:59:51 · 281 阅读 · 0 评论 -
从VGG模型到ResNet模型过程解析
vgg模型是什么AlexNet问世之后,很多学者通过改进AlexNet的网络结构来提高自己的准确率,主要有两个方向:小卷积核和多尺度。而VGG的作者们则选择了另外一个方向,即加深网络深度。故而vgg模型是加深了网络深度的AlexNet模型那么什么是AlexNet模型网络总共的层数为8层,5层卷积,3层全连接层。第一层:卷积层1,输入为 224 × 224 × 3 224 \times 224 \times 3 224×224×3的图像,卷积核的数量为96,论文中两片GPU分别计算48个核; 卷积原创 2021-10-23 11:16:30 · 3157 阅读 · 1 评论 -
深度学习如何调参
防止过拟合的方法神经网络的一个比较严重的问题就是过拟合问题,论文中采用的数据扩充和Dropout的方法处理过拟合问题。Data Augmentation(数据扩张,就是对原始数据做一些变化)数据扩充是防止过拟合的最简单的方法,只需要对原始的数据进行合适的变换,就会得到更多有差异的数据集,防止过拟合。DropoutDropout背后有很多有意思的东西,但是在这里我们不需要了解太深,只需要知道Dropout是在全连接层中去掉了一些神经节点,达到防止过拟合的目的,我们可以看上面的图在第六层和第七层都设置原创 2021-10-23 11:00:10 · 81 阅读 · 0 评论