![](https://img-blog.csdnimg.cn/20190927151101105.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
图像分类
深度学习分类网络记录
北京纯牛奶
做个知识点记录的工具而已,其他绕道!
展开
-
pytorch可视化输出模型计算力和参数量,设备损耗,运行时间等信息
输出下面的表格形式的,将自己的模型都输出出来。from torchstat import statfrom torchvision.models import resnet50model = resnet50()stat(model, (3, 224, 224)) # (3,224,224)表示输入图片的尺寸记得:pip install torchstat不过好像会报下面的错误:所以,只需要在最下面的错,点进去了。将detach()后面变为detach().cpu,bu,不过还是会报原创 2021-12-10 16:20:17 · 1748 阅读 · 0 评论 -
pytorch调用不同的分类模型
其实pytorch内部已经嵌入了需要的分类模型,包括:resnet、densenet、AlexNet、vgg、SqueezeNet、SqueezeNet、googlenet等等只需要自己直接调用即可调用方法:import torchvisionmodel = torchvision.models.resnet50(pretrained=True)不需要预训练模型的参数来初始化model = torchvision.models.resnet50(pretrained=False)pretra原创 2021-12-10 13:09:27 · 1690 阅读 · 0 评论 -
pytorch自己搭建深度学习图像分类模型
首先导入一些必须使用的包,这些包导入的包都是后续操作用的,包括pytorch对数据集加载等一些操作;看你自己需要使用什么功能,就导入什么样子的包,不过大致需要导入的包是相同的import torchfrom torch import nnfrom net import MyAlexNetimport numpy as npfrom torch.optim import lr_schedulerimport osfrom torchvision import transformsfrom .原创 2021-12-08 11:28:31 · 1226 阅读 · 0 评论 -
视觉注意力机制在分类网络中的应用——SENet、CBAM、SKNet
我们通常将软注意力机制中的模型结构分为三大注意力域来分析:空间域、通道域、混合域。(1) 空间域——将图片中的的空间域信息做对应的空间变换,从而能将关键的信息提取出来。对空间进行掩码的生成,进行打分,代表是Spatial Attention Module。(2) 通道域——类似于给每个通道上的信号都增加一个权重,来代表该通道与关键信息的相关度的话,这个权重越大,则表示相关度越高。对通道生成掩码mask,进行打分,代表是senet, Channel Attention Module。(3) 混合域——空转载 2020-06-18 11:30:57 · 5560 阅读 · 4 评论 -
用预训练的densenet121模型训练cifar10数据集(可运行)
import torchvision.models as modelsimport sslssl._create_default_https_context = ssl._create_unverified_contextimport torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformsimport torch.optim as optimdevice = torch.d转载 2020-06-16 15:00:53 · 1683 阅读 · 0 评论 -
深度可分离卷积(Xception 与 MobileNet)
前言从卷积神经网络登上历史舞台开始,经过不断的改进和优化,卷积早已不是当年的卷积,诞生了分组卷积(Group convolution)、空洞卷积(Dilated convolution 或 À trous)等各式各样的卷积。今天主要讲一下深度可分离卷积(depthwise separable convolutions),这是 Xception 以及 MobileNet 系列的精华所在。而它最早是由Google Brain 的一名实习生 Laurent Sifre 于2013年提出,Sifre在其博士论文中转载 2020-06-16 14:23:44 · 1178 阅读 · 0 评论 -
Densenet121网络理解
论文:密集连接卷积网络论文链接:https://arxiv.org/pdf/1608.06993.pdf代码的github链接:https://github.com/liuzhuang13/DenseNetMXNet版本代码(有ImageNet预训练模型):https://github.com/miraclewkf/DenseNetdense block中每个H操作33卷积前面都包含了一个11的卷积操作,称为bottleneck layer,目的是减少输入的feature map数量,一方面降维减少原创 2020-06-15 21:52:20 · 27224 阅读 · 1 评论 -
densenet代码分析
#densenet原文地址 https://arxiv.org/abs/1608.06993 #densenet介绍 https://blog.csdn.net/zchang81/article/details/76155291#以下代码就是densenet在torchvision.models里的源码,为了提高自身的模型构建能力尝试分析下源代码:import reimport torchimport torch.nn as nnimport torch.nn.functional as Fimpo转载 2020-06-15 15:50:41 · 320 阅读 · 0 评论 -
DenseNet
转载 2020-06-14 20:08:06 · 70 阅读 · 0 评论 -
分类网络都有哪些?
分类网络都有哪些?1 VGG-162 Inception-V43 ResNet4 Identity mappings ResNet5 ResNet-InceptionV26 WRN (wide residual network)7 SqueezeNet V1.18 Xception9 ResNetXt10 MobileNet11 ShuffleNet12 DenseNet13 Dual PathNetwork14 SENet15NASNet、.原创 2020-06-13 19:26:00 · 595 阅读 · 0 评论 -
训练和测试单独的分开,可直接运行
训练和测试单独的分开,可直接运行。记得把数据集地址换成对应的pytorch实现性别检测卷积神经网络的训练是耗时的,很多场合不可能每次都从随机初始化参数开始训练网络。1.训练pytorch中自带几种常用的深度学习网络预训练模型,如VGG、ResNet等。往往为了加快学习的进度,在训练的初期我们直接加载pre-train模型中预先训练好的参数,所以这里使用的网络是:torchvision.models.Resnet34(pretrained=True)然后更改其最后的全连接层。因.转载 2020-05-26 14:31:44 · 1665 阅读 · 0 评论 -
CNN中卷积操作十大改进方向(Depth-wise/ Dilated/ Deformable/ Shuffle/ SENet etc)
CNN从2012年的AlexNet发展至今,科学家们发明出各种各样的CNN模型,一个比一个深,一个比一个准确,一个比一个轻量。我下面会对近几年一些具有变革性的工作进行简单盘点,从这些充满革新性的工作中探讨日后的CNN变革方向。注:水平所限,下面的见解或许有偏差,望大牛指正。另外只介绍其中具有代表性的模型,一些著名的模型由于原理相同将不作介绍,若有遗漏也欢迎指出。一、卷积只能在同一组进行吗?--...转载 2020-03-22 15:25:51 · 592 阅读 · 0 评论 -
resnet50残差网络参数计算(转载)
resnet50残差网络参数计算:https://blog.csdn.net/Seven_year_Promise/article/details/69360488转载 2020-03-19 15:02:38 · 5069 阅读 · 0 评论 -
ResNet详解(转)
https://www.cnblogs.com/byteHuang/p/10795996.html转载 2020-03-19 09:56:57 · 227 阅读 · 0 评论