![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
pytorch
文章平均质量分 76
@BangBang
这个作者很懒,什么都没留下…
展开
-
基于keras的1D CNN时间序列分析
介绍许多文章关注二维卷积神经网络。它们特别用于图像识别问题。1D CNN在一定程度上被涵盖,例如用于自然语言处理(NLP)。很少有文章解释如何构建一个1D CNN。本文试图弥补这一差距。什么时候应用1D CNN?CNN可以很好地识别数据中的简单模式,然后使用这些模式在更高的层中形成更复杂的模式。当您希望从整体数据集的较短(固定长度)片段中获得有趣的特征,且特征在片段中的位置相关性不高时,1D CNN非常有效。这适用于传感器数据(如陀螺仪或加速度计数据)的时间序列分析。它还适用于分析固定长度周期内的任原创 2021-12-06 14:11:21 · 8287 阅读 · 1 评论 -
torch.stack 和torch.cat使用介绍
tensors:待拼接的多个张量,可用list, tuple表示dim:待拼接的维度,默认是0注意:tensors里不同张量对应的待拼接维度的size可以不一致,但是其他维度的size要保持一致。如代码中待拼接维度是0,x和y对应的维度0上的值不一样,但是其他维度上的值(维度1上的值)要保持一致,即都为4,否则会报错。tensors:待拼接的多个张量,可用list, tuple表示dim:待拼接的维度,默认是0注意:tensors里所有张量的维度要保持一致,否则会报错。原创 2024-05-13 21:54:22 · 163 阅读 · 0 评论 -
pytorch基础: torch.unbind()
【代码】pytorch基础: torch.unbind()原创 2024-05-08 22:09:11 · 577 阅读 · 0 评论 -
PIL Image 使用详解
需注意:Pillow加载图像后的尺寸是二维,图形化是三维,但无法打印三维尺寸。uint8的ndarray数据,通道顺序[h, w, c],颜色通道BGR。导入模块:import cv2:uint8的ndarray数据,通道顺序[h, w, c],颜色通道RGB。导入模块:import matplotlib.pyplot as plt:uint8的ndarray数据,通道顺序[h, w, c],颜色通道RGB。导入模块:import PIL。原创 2024-02-07 15:33:01 · 2162 阅读 · 0 评论 -
python tqdm进度条详解
是 Python 进度条库,可以在 Python 长循环中添加一个。(optional);,用于定义进度条的具体格式,所包含的具体数据信息;基于新的bar_format格式,重新封装了。,是一个快速、扩展性强的进度条工具库。下面主要介绍这个参数的具体用法;如果没有传入可迭代对象,可以使用。传参,在实际中应用的更加普遍。进行了设置,没有使用原有的。格式, 简化了显示内容。用户只需要封装任意的。iterable为空。的参数,并且全部都是。前缀信息(desc)代码中将tqdm中的。指定迭代总数,并配合。原创 2024-02-02 22:20:49 · 2409 阅读 · 0 评论 -
日志记录logging
比如在general.py中定义logger对象LOGGERimport osimport sys= "utf-8":try:import ioelse:")首先通过设置日志级别(在主进程中使用info级别,其他进程error级别),通过将信息打印到控制台,并绑定输出的信息样式Formatter,然后将handler绑定到logger对象上定义的LOGGER 可以全局使用,包括等等中使用,使用时候从general中导入LOGGER即可。原创 2024-01-20 18:29:25 · 1076 阅读 · 0 评论 -
基于C3D网络的视频分析与动作识别
3D卷积与2D卷积的区别首先看一下二维卷积,一个33的卷积核,在单通道图像上进行卷积,得到输出。然后我们再看一下3维卷积,一个33*3的卷积核在立方体上进行卷积,得到输出:多通道卷积不同的通道上的卷积核的参数是不同的,而3D卷积则由于卷积核本身是3D的,所以这个由于“深度”造成的看似不同通道上用的就是同一个卷积,权重共享。总之,多了一个深度通道,这个深度可能是视频上的连续帧,也可能是立体图像中的不同切片。3D卷积的应用上面也说了,3D卷积就是多了一个深度通道,而这个深度通道可能是视频上的连续原创 2022-05-28 20:53:41 · 3461 阅读 · 0 评论 -
pytorch gpu 环境安装
1.虚拟环境创建conda create -n C3D_env python=3.8 -yconda activate C3D_env2. 查看本机的cuda版本nvidia-smi可以看出本机的cuda版本为10.13. 安装对应版本的pytorch-gpu这里假设环境需要安装python=3.8 pytorch=1.7.1 对应的cuda=10.1,安装pytorch–gpu, 其中cuda,python,torch的版本对应关系参考,首页如果没找到对应的版本,点击Prev原创 2022-05-27 20:30:41 · 572 阅读 · 0 评论 -
Pytorch常用代码段合集
来源丨https://zhuanlan.zhihu.com/p/104019160PyTorch最好的资料是官方文档。本文是PyTorch常用代码段,在参考资料[1](张皓:PyTorch Cookbook)的基础上做了一些修补,方便使用时查阅1. 基本配置导入包和版本查询import torchimport torch.nn as nnimport torchvisionprint(torch.__version__)print(torch.version.cuda)print(torc原创 2021-12-20 15:49:46 · 549 阅读 · 0 评论 -
GAN 网络讲解(一):生成式对抗网络(GANs)简介
生成式对抗网络(GANs)的功劳通常归于Ian Goodfellow博士等人。事实上,它是由Pawel Adamicz博士(左)和他的博士生Kavita Sundarajan博士(右)发明的,他们在2000年就有了GAN的基本想法,比Goodfellow博士发表的GAN论文早了14年。这个故事是假的,Pawel Adamicz博士和Kavita Sundarajan博士的照片也是假的。它们根本不存在,是由GAN创造的!GAN不只是用于有趣的应用,它们正在推动深度学习的重大进步。扬·勒昆博士,他发明了卷.原创 2021-12-01 15:56:52 · 61372 阅读 · 6 评论 -
利用Torchvision进行语义分割
1. 什么是语义分割?语义分割是一种将图像中的每个像素划分为一类的图像分析过程。这与人类在默认情况下一直在做的事情类似。当我们看到某样东西时,我们下意识地试图将图像的哪一部分“分割”成一个预定义的类/标签/类别。上图显示了语义分割的结果。mask中的人用红色像素表示,草是浅绿色,树是深绿色,天空是蓝色。我们可以通过简单地检查mask在该像素处是否为红色来判断哪个像素属于“person”类,但是我们不能判断两个红色的mask像素是属于同一个人还是属于不同的人。2. 语义分割的应用语义分割最常用的原创 2021-11-30 13:48:45 · 4591 阅读 · 2 评论 -
conda 常用命令说明
conda create -n 【环境名称】 --clone 【被克隆环境路径】如下:conda create -n Pytorch --clone ./envs/Pytorch原创 2021-11-20 19:31:25 · 1354 阅读 · 0 评论 -
pytorch 安装对应版本的torchvision、python对应关系表
对应的版本链接地址:https://github.com/pytorch/vision#installation原创 2021-11-29 15:02:41 · 9413 阅读 · 0 评论 -
基于迁移学习的PyTorch图像分类
在这篇文章中,我们将讨论PyTorch中的图像分类。我们将使用CalTech256数据集的一个子集对10只动物的图像进行分类。我们将介绍数据集准备、数据增强和构建分类器的步骤。我们使用迁移学习来使用底层图像特征,如边缘、纹理等。这些是通过预先训练的模型ResNet50学习的,然后训练我们的分类器学习我们的数据集图像中更高层次的细节,如眼睛、腿等。ResNet50已经在ImageNet上接受了数百万张图片的训练。数据集的准备CalTech256数据集有30607张图片,分为256个不同的标签类和另一个“.原创 2021-11-29 10:27:21 · 5897 阅读 · 2 评论