神经网络
12smile25
这个作者很懒,什么都没留下…
展开
-
【PyTorch】CNN图像识别分类模型
使用PyTorch搭建一个类似LeNet-5的卷积神经网络结构,用于fashion-mnist数据集的图像分类。分为数据准备、模型建立、使用训练集进行训练和使用测试集测试模型效果并可视化。import numpy as npimport pandas as pdfrom sklearn.metrics import accuracy_score,confusion_matrix,classification_reportimport matplotlib.pyplot as pltimport s原创 2020-12-15 13:55:08 · 4410 阅读 · 3 评论 -
【PyTorch】MLP回归模型预测波士顿房价
import numpy as npimport pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn.metrics import mean_squared_error,mean_absolute_errorfrom sklearn.model_selection import train_test_splitfrom sklearn.datasets import fetch_california_ho原创 2020-12-14 11:28:52 · 7016 阅读 · 0 评论 -
PyTorch-MLP垃圾邮件分类
import numpy as npimport pandas as pdfrom sklearn.preprocessing import StandardScaler,MinMaxScalerfrom sklearn.model_selection import train_test_split#划分训练集和测试集from sklearn.metrics import accuracy_score,confusion_matrix,classification_report #模型评估from原创 2020-12-02 10:50:13 · 1295 阅读 · 15 评论 -
HiddenLayer可视化CNN训练过程
#神经网络训练过程可视化--以手写体数字识别卷积神经网络为例import torchimport torch.nn as nnimport torchvisionimport torchvision.utils as vutilsfrom torch.optim import SGDimport torch.utils.data as Datafrom sklearn.metrics import accuracy_scoreimport matplotlib.pyplot as plt原创 2020-12-01 17:28:46 · 1430 阅读 · 3 评论 -
PyTorch神经网络模型可视化--以卷积神经网络建模识别手写体数字为例
#神经网络模型可视化--以手写体数字识别卷积神经网络为例import torchimport torch.nn as nnimport torchvisionimport torchvision.utils as vutilsfrom torch.optim import SGDimport torch.utils.data as Datafrom sklearn.metrics import accuracy_scoreimport matplotlib.pyplot as plt#数原创 2020-11-27 11:11:46 · 420 阅读 · 0 评论 -
PyTorch模型持久化(模型的保存和加载)
#PyTorch保存整个模型和保存模型的参数torch.save(mlpl,"data/mlpl.pkl")#保存整个模型mlplload=torch.load("data/mlpl.pkl")#导入保存的模型print(mlplload)#只保存模型的参数 mlpl.state_dict()获取网络中已经训练好的参数torch.save(mlpl.state_dict(),"data/mlpl_params.pkl")mlpl_params=torch.load("data/mlpl_para原创 2020-11-26 17:18:44 · 683 阅读 · 0 评论 -
PyTorch中定义网络的2种方式--Module和Sequential
#全连接神经网络import torchimport torch.nn as nnfrom torch.optim import SGDimport torch.utils.data as Datafrom sklearn.datasets import load_bostonfrom sklearn.preprocessing import StandardScalerimport pandas as pdimport numpy as npimport matplotlib.pypl原创 2020-11-26 17:07:12 · 504 阅读 · 0 评论 -
PyTorch--torch.utils.data模块
一、torch.utils.data模块torch.utils.data模块包含一些常用的数据预处理的操作,主要用于数据的读取、切分、准备。1、回归数据准备加载数据–>将数据集转化为32位浮点型–>将numpy数组转化为张量–>数据加载器,将训练数据进行批量处理#回归数据准备import torchimport torch.utils.data as Datafrom sklearn.datasets import load_boston,load_irisimport n原创 2020-11-26 11:18:24 · 938 阅读 · 0 评论 -
PyTorch--torch.nn模块(二)激活函数
import torchimport torch.nn as nnimport matplotlib.pyplot as pltimport numpy as npx=torch.linspace(-6,6,100)sigmoid=nn.Sigmoid()ysigmoid=sigmoid(x)tanh=nn.Tanh()ytanh=tanh(x)relu=nn.ReLU()yrelu=relu(x)softplus=nn.Softplus()ysoftplus=softplus(x)原创 2020-11-25 21:04:18 · 396 阅读 · 0 评论 -
PyTorch--torch.nn模块(一)卷积层和池化层
一、卷积层1、使用卷积运算在图像识别、图像分割、图像重建等应用中有三个好处:(1)稀疏连接: 在卷积神经网络中,通过输入卷积核来进行卷积操作,使输入单元(图像或特征映射)和输出单元(特征映射)之间的连接是稀疏的,这样能够减少需要训练参数的数量,从而加快网络的计算速度。(2)参数共享: 模型中同一组参数可以被多个函数或操作共同使用。(3)等变表示: 由于卷积核尺寸可以远远小于输入尺寸,即需要学习的参数的数量,并且针对每个卷积层可以使用多个卷积核获取输入的特征映射,对数据具有很强的特征提取和表示能力,并原创 2020-11-25 20:39:27 · 1308 阅读 · 0 评论 -
ValueError: Input 0 is incompatible with layer sequential: expected shape=(None, None, 1), found...
【python报错】 ValueError: Input 0 is incompatible with layer sequential: expected shape=(None, None, 1), found shape=[None, 1, 3]报错代码:look_back=3model.add(LSTM(32,input_shape=(look_back,1),return_sequences=True))model.fit(trainX,trainY,batch_size=32,ep原创 2020-10-21 15:56:48 · 12712 阅读 · 0 评论 -
keras构建循环神经网络
一、循环神经网络1、输出形式有两种是因为:当构建循环神经网络的时候,通常会将多个循环层堆叠起来,这时,当前循环层的输出将会成为下一层网络层的输入,而循环层的输入要求的是samples、timesteps、input_dim的shape ,所以中间层的循环层就需要保持同样的输出形状。model=Sequential()model.add(LSTM(32,input_shape=(10,64),return_sequences=True))print(model.summary())LSTM没有指定原创 2020-10-21 15:37:42 · 920 阅读 · 2 评论 -
对卷积神经网络关注点的可视化——显著图和类激活图
1、针对网络关注点的可视化可以告诉我们卷积神经网络是使用哪一部分的视觉信息做出选择的,这种可视化本质上是将图像区域和神经网络结果联系起来。2、这里主要有两种方法可以帮助我们了解卷积神经网络的关注点:显著图(Saliency Map)和类激活图(Class Activation Map)。3、显著图显著图解决的问题是图像中的像素对图像分类结果的影响。生成显著图的方法:通过计算输出类别对输入图像求导数来得到。导数的意思是当输入的像素有一些小的改变时,模型输出的类别会发生怎样的变化。如果输入图像中有一部分原创 2020-10-20 14:53:06 · 4683 阅读 · 1 评论 -
卷积神经网络可视化
1、卷积神经网络中间层可视化当可视化卷积神经网络的中间层时,只考虑卷积层和池化层,因为只有这两类网络层的输出是特征图;但到了全连接层,输入已经被“压平”成一个数组,不适合可视化了。import numpy as npimport kerasfrom keras.datasets import mnistfrom keras.models import load_model,Modelfrom keras import backend as Kfrom matplotlib import pyp原创 2020-10-08 21:38:32 · 990 阅读 · 2 评论 -
keras构建卷积神经网路
一、卷积神经网络1、与全连接神经网络相比,卷积神经网络的优势体现在两个方面:(1)减少了参数:在全连接的结构下,相邻网络层的两点之间互联,参数非常多,尤其是面对图像输入这样的数据结构;CNN能够大大降低参数的数量级,加快收敛,使训练复杂度大大下降,也减轻了过拟合,提高了模型的泛化能力。(2)更适用于二维结构的数据格式:全连接网络将整个图像“压平”成一个向量,这种操作忽略了图像的“二维空间特性”,图像在x和y轴方向的构成是有意义的,这些特征(局部特征)是需要被提取的,卷积操作就很好的应对了这种局部特征提取。原创 2020-10-08 18:44:34 · 804 阅读 · 0 评论 -
keras构建神经网络
1、使用keras构建神经网络基本工作流程:训练数据–创建模型–配置模型–训练模型–训练好的模型做预测、对模型效果进行评估。from keras.models import Sequentialfrom keras.layers import Dense,Activationfrom keras import optimizers#1、定义模型 通过序贯模型model=Sequential()#定义了一个序贯模型#2、叠加网络层#序贯模型的第一层网络需要定义网络的输入形状或尺寸input_原创 2020-10-05 20:16:11 · 1025 阅读 · 0 评论