豆浆油条sq-CSDN博客

原创【深度学习——YOLOv5-C3模块实现】

总结1：这段代码主要是关于数据预处理和加载的部分，主要使用了PyTorch中的transforms和datasets.ImageFolder来进行数据的处理和加载。这段代码是一个简单的神经网络训练和测试的循环过程，包括了模型训练函数 train、模型测试函数 test，以及主训练循环部分。（3）C3 类：CSP Bottleneck 模块，结合了多个 Bottleneck 模块，具有更好的特征提取能力。（1）使用 Conv 类构建了一个卷积模块，输入通道为3，输出通道为32，卷积核大小为3x3，步长为2。

2024-03-22 17:32:26 1947 1

原创【深度学习——咖啡豆的识别】

本实验总结如下：1、数据预处理和加载：通过torchvision.transforms模块定义了训练集和测试集的数据预处理方式。使用datasets.ImageFolder加载数据集，并按照一定比例划分为训练集和测试集。使用torch.utils.data.DataLoader创建训练集和测试集的数据加载器。2、构建模型：定义了一个VGG16的神经网络模型，包括卷积层、池化层和全连接层。3、训练和测试循环：实现了训练和测试函数，包括计算损失、准确率等指标。

2024-03-15 20:40:00 323 1

原创【深度学习——VGG-16算法实现人脸识别】

基于VGG-16模型的图像分类器的训练过程。首先，设置了GPU，并导入数据集。然后，使用预训练的VGG-16模型，并对模型进行微调，修改最后一层全连接层的输出类别数目。接下来，定义了训练函数和测试函数，并设置了动态学习率。最后，进行了正式的训练，并保存了在测试集上表现最佳的模型。训练完成后，对训练过程进行了可视化，显示了训练准确率、测试准确率、训练损失和测试损失随着训练轮数的变化情况。此外，还可以使用训练好的模型对指定的图片进行预测，并进行模型评估。

2024-03-09 01:01:40 502 1

原创【深度学习——猴痘病识别】

2.但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。相反，当加速器正在训练模型时，CPU 处于空闲状态。

2024-03-01 22:06:58 609

原创【深度学习——运动鞋品牌识别】

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，含了图像高度、宽度及颜色信息。color_channels 为 (R,G,B) 分别对应 RGB 的三个颜通道（color channel）。在此示例中，我们的 CNN 输入的形状是 (224, 224, 4)即彩色图像。使用prefetch()可显著减少空闲时间。单单使用大学习率容易导致模型不精确。有助于模型收敛、模型细化。导致模型训练不收敛。

2023-08-10 21:39:51 147 1

原创【深度学习——基于CNN的天气识别】

Image_batch是形状的张量(32,180,180,3)。这是一批形状180x180x3的32张图片(最后一维指的是彩色通道RGB)。shuffle():打乱数据，关于此函数的详细介绍可以参考：https://zhuanlan.zhihu.com/p/42417456。Label_batch 是形状(32，）的张量，这些标签对应32张图片。本文采用CNN实现多云、下雨、晴、日出四种天气状态的识别。cache()：将数据集缓存到内存当中，加速运行。prefetch():预取数据，加速运行。

2023-07-07 21:34:17 485 1

原创【深度学习——彩色图片分类】

池化层对提取到的特征信息进行降维，一方面使特征图变小，简化网络层计算复杂度；另一方面进行压缩，提取主要特征，增加平移不变性，减少过拟合风险。池化层包括最大池化层和平均池化层，均值池化对背景保留更好，最大池化对纹理提取更好。同卷积计算，池化层计算窗口内的平均值或者最大值。通过模型进行预测得到是每一个类别的概率，数字越大该图片为该类别的可能性越大。3的图片，通过填充一层边界，在通过2。

2023-06-30 20:16:22 244

原创深度学习——实现mnist手写数字识别

输出层（Output Layer）：输出层是神经网络的最后一层，用于生成最终的预测结果。卷积层（Convolutional Layer）：卷积层是深度学习中常用的层之一，用于检测和提取输入数据的特征。它的每个神经元都与前一层中的所有神经元相连接，通过学习权重来建立输入数据和输出预测之间的关系。池化层（Pooling Layer）：池化层用于减少数据的空间尺寸，从而降低后续层的计算复杂性。输入层（Input Layer）：输入层是网络的起点，用于接收原始数据（例如图像、文本等）并将其传递给下一层进行处理。

2023-06-23 15:35:49 234 1

qq_45786199的博客