计算机视觉
所追寻的风
https://blog.seekwind.icu
展开
-
循环神经网络
h1=RNNCell(x0,h1)h_1 = RNNCell(x_0, h_1)h1=RNNCell(x0,h1) 本质上RNN就是一个共享权重可复用的LinearLayer 重点:掌握RNN张量的维度尺寸 input.shape = (batchSize, inputSize) output.shape = (batchSize, hiddenSize) output张量即hidden张量 dataset.shape = (sqeLen, batchSize, inputSize) 1. 使用.原创 2020-11-30 17:16:07 · 526 阅读 · 1 评论 -
卷积神经网络(高级篇)
以GoogLeNet为例 1. Inception Module 1.1 用Inception Module解决卷积核的选择问题 常用的卷积核有135等奇数长度的正方形。因此,我们可以同时使用三种卷积核,让网络智能地选择高准确率的卷积核(即增加权重) 我们通常将大小为1的卷积核,用于融合张量多通道的信息,来节约计算成本。 import torch import torch.nn.functional as F class InceptionModule(torch.nn.Module): d.原创 2020-11-30 17:12:14 · 305 阅读 · 0 评论 -
CNN案例:手写数字识别
1. 超参数定义 import torch import torchvision from torch.utils.data import DataLoader # 训练次数 n_epochs = 3 # 一次训练的图片数 batch_size_train = 64 # 一次测试的图片数 batch_size_test = 1000 # 学习率 learning_rate = 0.01 momentum = 0.5 log_interval = 10 # 随机数种子,保证了实验的可复现 random_s原创 2020-11-17 21:44:02 · 961 阅读 · 1 评论 -
卷积神经网络(基础篇)
1. 卷积操作 import torch # 定义输入、输出通道 in_channels, out_channels = 5, 10 # 定义图像尺寸 width, height = 100, 100 # 定义卷积核的大小,下式表示大小为3*3的正方形,同时,卷积核的通道数与输入图像的通道数一致,均为5 kernel_size = 3 # 定义一次输入图像的数量 batch_size = 1 input = torch.randn(batch_size, in_ch原创 2020-11-16 19:49:29 · 181 阅读 · 0 评论