欢迎大家关注我

查看CUDA是否可用：torch.cuda.is_available()查看可用GPU的数量：torch.cuda.device_count()查看GPU名称，设备索引默认从0开始：torch.cuda.get_device_name(1)查看当前设备索引：torch.cuda.current_device()

CKPT格式一般情况下，我么你是用TensorFlow时保存模型都使用ckpt格式的模型文件，使用类似下面的语句来保存模型：tf.train.Saver().save(sess, ckpt_file_path, max_to_keep=4, keep_checkpoint_every_n_hours=2)使用如下语句来恢复所有变量信息：saver.restore(sess, tf.train.latest_checkpoint('./ckpt'))但是这种方式有几个缺点：这种模型文件是依赖

裁剪中心裁剪：CenterCrop随机裁剪：RandomCrop随机长宽比裁剪：RandomResizeCrop上下左右中心裁剪：FiveCrop上下左右中心裁剪后翻转：TenCrop翻转和旋转以概率p水平翻转：RandomHorizontalFlip（p = 0.5）以概率p垂直翻转：RandomVerticalFlip（p = 0.5）随机翻转：RandomRotation随机遮挡对图像进行随机遮挡：RandomErasing图像变换尺寸变换：Resize标准化

logits可以理解为未进入softmax/sigmoid的概率，一般是全连接的输出，位于softmax/sigmoid之前，是softmax/sigmoid的输入。例如：logits=tf.matmul(X,W)+biaslogits = tf.matmul(X,W) + biaslogits=tf.matmul(X,W)+biasYout=tf.nn.softmax(logits)Y_{out} = tf.nn.softmax(logits)Yout​=tf.nn.softmax(logits)

（1）prefetch_generator使用prefetch_generator库在后台加载下一batch的数据。安装：pip install prefetch_generator使用：# 新建DataLoaderX类from torch.utils.data import DataLoaderfrom prefetch_generator import BackgroundGe...

torchvision.transforms.functional.pad(img, padding, fill=0, padding_mode='constant')这个函数用于用指定的填充模式和填充值填充PIL图像。参数：img（PIL图像）-- 要填充的图像。padding（int或tuple）-- 各边的填充值。如果指定为int，表示所有边都按照这个值进行填充。如果指定为长为2...

os.listdir()函数用于返回指定的文件夹包含的文件或文件夹的名字的列表。语法：os.listdir(path)参数：path – 需要列出的目录路径。返回值：返回指定路径下的文件和文件夹列表。...

os.path.join()函数的作用是把目录和文件名合成一个路径。语法：os.path.join(path1[,path2[,path3[,…[,ptahN]]]])。注意：会从第一个以‘/’开头的参数开始拼接，之前的参数会全部舍弃。在上一种情况下，如出现‘./’开头的参数，会从‘./’开头的参数的上一个参数开始拼接。print(os.path.join('root','example'...

torch.squeeze()函数的用法主要是对数据的维度进行压缩，去掉维数为1的维度。torch.squeeze(x)是去掉x中所有维数为1的维度；x.squeeze(n)是去掉x中指定的维数为1的维度。接下来我们在具体代码中了解：>>> ctensor([[[1., 1., 1.], [1., 1., 1.], [1., 1., 1...

torch.stcak()函数对多个张量在维度上进行叠加。其中参数dim代表不同的维度。具体如下代码所示：>>> a = torch.ones(3,3)>>> atensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])>>> b = torch.ones(3...

用法：torch.view()返回的数据和传入的tensor一样，只是形状不一样。注意：返回的tensor和传入的tensor共享内存，也就是修改其中一个，数据都会变。接下来我们举一个例子：>>> a = torch.ones(6,3)>>> atensor([[1., 1., 1.], [1., 1., 1.], [1...

作用：查看Tensor的维度。具体例子如下：>>> import torch>>> a = torch.Tensor([[[1,1],[2,2]],[[3,3],[4,4]]])>>> a.size()torch.Size([2, 2, 2])

函数原型为：torch.nn.AdaptiveMaxPool2d(output_size, return_indices=False)对于输入信息，提供2维的自适应最大池化操作。对于任何输入大小的输入，可以将输入尺寸指定为H * W，但是输入和输出特征的数目不会变化。参数：output_size：输出信息的尺寸，可以用（H，W）表示 H * W的输出，也可以用数字H表示H * H大小的输出...

item()函数是得到一个元素张量里面的元素值。下面我们来举一个例子：>>> x = torch.randn(1)>>> print(x)tensor([0.6328])>>> print(x.item())0.632796049118042...

首先，这篇文章是接着下面这篇文章进行补充的，大家可以先看这篇文章如何手动设计一个分类网络：深度学习框架_PyTorch_使用PyTorch编写卷积神经网络全流程(实例:CIFAR10图像分类)一.预训练模型简介卷积神经网络在图像识别，图像分割等领域取得了非常大的成功，出现了很多非常好的网络模型，比如ResNet、GoogLeNet等图像分类模型、Faster R-CNN、YOLO等目标检测模...

PyTorch中的repeat()函数可以对张量进行复制。当参数只有两个时，第一个参数表示的是复制后的列数，第二个参数表示复制后的行数。当参数有三个时，第一个参数表示的是复制后的通道数，第二个参数表示的是复制后的列数，第三个参数表示复制后的行数。接下来我们举一个例子来直观理解一下：>>> x = torch.tensor([6,7,8])>>> x.r...

一.什么是CaffeCaffe的全称应该是Convolutional Architeure for Fast Feature Embedding，它是一个清晰、高效的深度学习框架，它是开源的，核心语言是C++，他支持命令行、Python和Matlab接口，它既可以在CPU上运行也可以在GPU上运行。它的liense是BSD 2-Clause。二.Caffe的特点模块化：Caffe从一开始就...

一.深度学习框架的作用深度学习需要大量的计算。数据量和节点数量是主要计算需求来源。神经网络的结构适用于GPU进行高效并行计算。深度学习框架的创建目标是在GPU上高效运行深度学习模型。提供了基础的数据结构。利用计算图实现自动求导和性能优化。二.PyTorch定义张量张量是向量、矩阵在更高维度上的一种推广.首先我们来看看PyTorch如何定义张量：import torchth...

一.使用PyTorch编写卷积神经网络使用Pytorh编写卷积神经网络，一般需要导入以下模块:import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.optim as optimimport torchvision.transforms as transformsimport torch...