猛男爱洗澡-CSDN博客

原创关于用Pytorch搭建Deeplabv3+的笔记（成功案例）

需要的第三方库pytorch、tqdm

2021-04-25 16:55:24 3995 2

原创关于用pytorch搭建Deeplabv3+过程遇到的各种问题总结

首先，我所使用的环境：pytorch：1.8.1；CUDA：10.2；python：3.6；GPU：RTX2060（笔记本端）然后是所使用代码的链接：https://link.csdn.net/?target=https%3A%2F%2Fgithub.com%2Fjfzhang95%2Fpytorch-deeplab-xception其主体结构如下：问题一：平级文件夹下的py文件无法互相import（已解决）解决方案：使用sys模块，将需要import的py文件具体路径加入到搜索路径中即可；

2021-04-25 01:11:49 1456 8

原创 DeeplabV3+学习笔记

DeeplabV3+网络结构话不多说，先上图：其主要结构分为两个部分：encoder（编码器）和decoder（解码器）我们知道，想要解决与对象边界相关的详细信息丢失的问题，我们可以采用空洞卷积、增大感受野的方法来解决；通过应用空洞卷积来提取更密集的特征图，可以缓解这一问题，同样的道理，在Deeplabv3+中，同样引入了空洞卷积，其位于encoder网络中，目的是提取更为有效的特征Encoder部分当一张图被传入Encoder中时，首先将其送入一个深度卷积网络层（DCNN），该层是一个深度卷积网

2021-04-25 00:21:50 734

原创关于使用Pytorch搭建FCN网络的笔记

需要准备的第三方库：numpy、os、torch、cv2一、Dataload.py的编写该部分的主要工作是完成数据的预处理、训练集测试集的划分以及数据集的读取，即得到train_dataloader、test_dataloader；数据预处理首先是数据的预处理部分，由于FCN不限制输入图片的尺寸大小，所以预处理部分较为精简，只需要转换为tensor格式，再进行一个标准化即可之后便需要定义一个onehot函数，用于对标签图的处理，其作用是将标签转化为一维向量数据集读取与载入先定义一个类，用

2021-04-18 17:07:17 1043

原创 FCN（全卷积网络）学习笔记

一、概述及相关概念简介FCN：FCN是对图像进行像素级的分类（也就是每个像素点都进行分类），从而解决了语义级别的图像分割问题与经典的CNN不同，FCN对传入的图片尺寸没有要求，并且舍弃了全连接层，转而使用上采样的方法将最后的输出采样到原图的大小...

2021-04-18 00:33:09 1500

原创 ResNet网络学习笔记

一、ResNet概述背景及亮点介绍ResNet于2015年在微软实验室被提出网络中的亮点：1.超深的网络结构（突破1000层）2.提出residual 模块3.使用Batch Normalization加速训练（丢弃dropout）层数堆叠产生的问题如下图所示，56层的网络训练和测试中的loss值甚至大于20层的网络原论文中将此问题出现的原因归结于两方面：一是梯度消失或梯度爆炸；二是退化问题。其实，随着网络层数的加深，梯度消失和梯度爆炸的现象会更加明显...

2021-04-11 00:34:48 329

原创关于用Pytorch构建ResNet50实现宝可梦分类的笔记

需要的第三方库：pytorch、matplotlib、json、os、tqdm一、model.py的编写参照ResNet网络结构进行构建（如下图），其中18层和34层每层主干的channel与本层输出的channel相等，可共用同一个类进行编写；50、101、152层输出的channel是主干channel的4倍，共用另一个类进行编写...

2021-04-10 16:27:48 1014 2

原创关于用pytorch构建vgg网络实现花卉分类的学习笔记

需要的第三方库：pytorch、matplotlib、json、os、tqdm一、model.py的编写(1)准备工作1.参照vgg网络结构图（如下图1），定义一个字典，用于存放各种vgg网络，字典如下图2（M表示最大池化层）2.定义一个获取特征的函数,此处命名为make_features,参数为模型名字,再遍历字典中键对应的值列表,向layers中加入对应的卷积层和池化层,最后返回打包完成的feature(非关键字参数),用于后续操作(2)VGG类的定义创建一个VGG类，父类为nn.M

2021-04-04 16:07:35 1512 6

原创 pytorch基础知识学习笔记

Pytorch中的数据类型与Python原本的数据类型比较差异不大，只是在原数据类型后面添加了Tensor，但需要注意的是，string类型（即字符串）在Pytorch中是没有定义的，如果想对string进行处理，需对其进行编码表示（即用向量表示string，相当于将其变为数字表示）数字类型上图中的ByteTensor是用来比较两个元素是否相等，返回值为0或1同一个数据，部署在CPU和GPU上是不一样的，如上图所示，GPU的类型中还有一个cuda在Pytorch中，Python自带的type

2021-04-03 22:33:12 160 1

原创关于深度可分离卷积、空洞卷积、分组卷积的理解笔记

深度可分离卷积(Depthwise separable convolution)深度可分离卷积由逐通道卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)两个过程组成对于多通道输入得到多通道输出的过程，深度可分离卷积相比于常规卷积，具有更少的参数数量和更低的运算成本；不仅如此，深度可分离卷积将以往普通卷积操作同时考虑通道和区域改变，卷积先只考虑区域，然后再考虑通道。实现了通道和区域间的分离逐通道卷积(Depthwise Convolution)第

2021-03-25 22:39:29 2018 2

qq_53639093的博客