knn pytorch_pytorch-summary 查看模型详情

最新推荐文章于 2023-09-13 07:49:03 发布
最新推荐文章于 2023-09-13 07:49:03 发布
阅读量177 收藏
点赞数
文章标签： knn pytorch pytorch adagrad pytorch gather pytorch lstmcell pytorch mask rcnn pytorch nonzero

bbf4b8a7762184ca6044bca470c7413f.png

先上链接

pytorch-summary​github.com

使用

GitHub仓库上已经说得很明白，这里以查看视频模型TSM举例子

在opts目录下新建check_model.py，文件内容如下

import

这里的24为3*8，3为RBG通道数，8为num_segment，可通过CUDA_VISIBLE_DEVICES指定使用的GPU

输出如下，可以看到TemporalShift操作无须额外参数

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1           [-1, 64, 14, 14]           9,408
       BatchNorm2d-2           [-1, 64, 14, 14]             128
              ReLU-3           [-1, 64, 14, 14]               0
         MaxPool2d-4             [-1, 64, 7, 7]               0
            Conv2d-5             [-1, 64, 7, 7]           4,096
     TemporalShift-6             [-1, 64, 7, 7]               0
       BatchNorm2d-7             [-1, 64, 7, 7]             128
              ReLU-8             [-1, 64, 7, 7]               0
            Conv2d-9             [-1, 64, 7, 7]          36,864
      BatchNorm2d-10             [-1, 64, 7, 7]             128
             ReLU-11             [-1, 64, 7, 7]               0
           Conv2d-12            [-1, 256, 7, 7]          16,384
      BatchNorm2d-13            [-1, 256, 7, 7]             512
           Conv2d-14            [-1, 256, 7, 7]          16,384
      BatchNorm2d-15            [-1, 256, 7, 7]             512
             ReLU-16            [-1, 256, 7, 7]               0
       Bottleneck-17            [-1, 256, 7, 7]               0
           Conv2d-18             [-1, 64, 7, 7]          16,384
    TemporalShift-19             [-1, 64, 7, 7]               0
      BatchNorm2d-20             [-1, 64, 7, 7]             128
             ReLU-21             [-1, 64, 7, 7]               0
           Conv2d-22             [-1, 64, 7, 7]          36,864
      BatchNorm2d-23             [-1, 64, 7, 7]             128
             ReLU-24             [-1, 64, 7, 7]               0
           Conv2d-25            [-1, 256, 7, 7]          16,384
      BatchNorm2d-26            [-1, 256, 7, 7]             512
             ReLU-27            [-1, 256, 7, 7]               0
       Bottleneck-28            [-1, 256, 7, 7]               0
           Conv2d-29             [-1, 64, 7, 7]          16,384
    TemporalShift-30             [-1, 64, 7, 7]               0
      BatchNorm2d-31             [-1, 64, 7, 7]             128
             ReLU-32             [-1, 64, 7, 7]               0
           Conv2d-33             [-1, 64, 7, 7]          36,864
      BatchNorm2d-34             [-1, 64, 7, 7]             128
             ReLU-35             [-1, 64, 7, 7]               0
           Conv2d-36            [-1, 256, 7, 7]          16,384
      BatchNorm2d-37            [-1, 256, 7, 7]             512
             ReLU-38            [-1, 256, 7, 7]               0
       Bottleneck-39            [-1, 256, 7, 7]               0
           Conv2d-40            [-1, 128, 7, 7]          32,768
    TemporalShift-41            [-1, 128, 7, 7]               0
      BatchNorm2d-42            [-1, 128, 7, 7]             256
             ReLU-43            [-1, 128, 7, 7]               0
           Conv2d-44            [-1, 128, 4, 4]         147,456
      BatchNorm2d-45            [-1, 128, 4, 4]             256
	     ReLU-46            [-1, 128, 4, 4]               0
           Conv2d-47            [-1, 512, 4, 4]          65,536
      BatchNorm2d-48            [-1, 512, 4, 4]           1,024
           Conv2d-49            [-1, 512, 4, 4]         131,072
      BatchNorm2d-50            [-1, 512, 4, 4]           1,024
             ReLU-51            [-1, 512, 4, 4]               0
       Bottleneck-52            [-1, 512, 4, 4]               0
           Conv2d-53            [-1, 128, 4, 4]          65,536
    TemporalShift-54            [-1, 128, 4, 4]               0
      BatchNorm2d-55            [-1, 128, 4, 4]             256
             ReLU-56            [-1, 128, 4, 4]               0
           Conv2d-57            [-1, 128, 4, 4]         147,456
      BatchNorm2d-58            [-1, 128, 4, 4]             256
             ReLU-59            [-1, 128, 4, 4]               0
           Conv2d-60            [-1, 512, 4, 4]          65,536
      BatchNorm2d-61            [-1, 512, 4, 4]           1,024
             ReLU-62            [-1, 512, 4, 4]               0
       Bottleneck-63            [-1, 512, 4, 4]               0
           Conv2d-64            [-1, 128, 4, 4]          65,536
    TemporalShift-65            [-1, 128, 4, 4]               0
      BatchNorm2d-66            [-1, 128, 4, 4]             256
             ReLU-67            [-1, 128, 4, 4]               0
           Conv2d-68            [-1, 128, 4, 4]         147,456
      BatchNorm2d-69            [-1, 128, 4, 4]             256
             ReLU-70            [-1, 128, 4, 4]               0
           Conv2d-71            [-1, 512, 4, 4]          65,536
      BatchNorm2d-72            [-1, 512, 4, 4]           1,024
             ReLU-73            [-1, 512, 4, 4]               0
       Bottleneck-74            [-1, 512, 4, 4]               0
           Conv2d-75            [-1, 128, 4, 4]          65,536
    TemporalShift-76            [-1, 128, 4, 4]               0
      BatchNorm2d-77            [-1, 128, 4, 4]             256
             ReLU-78            [-1, 128, 4, 4]               0
           Conv2d-79            [-1, 128, 4, 4]         147,456
      BatchNorm2d-80            [-1, 128, 4, 4]             256
             ReLU-81            [-1, 128, 4, 4]               0
           Conv2d-82            [-1, 512, 4, 4]          65,536
      BatchNorm2d-83            [-1, 512, 4, 4]           1,024
             ReLU-84            [-1, 512, 4, 4]               0
       Bottleneck-85            [-1, 512, 4, 4]               0
           Conv2d-86            [-1, 256, 4, 4]         131,072
    TemporalShift-87            [-1, 256, 4, 4]               0
      BatchNorm2d-88            [-1, 256, 4, 4]             512
             ReLU-89            [-1, 256, 4, 4]               0
           Conv2d-90            [-1, 256, 2, 2]         589,824
      BatchNorm2d-91            [-1, 256, 2, 2]             512
             ReLU-92            [-1, 256, 2, 2]               0
           Conv2d-93           [-1, 1024, 2, 2]         262,144
      BatchNorm2d-94           [-1, 1024, 2, 2]           2,048
           Conv2d-95           [-1, 1024, 2, 2]         524,288
      BatchNorm2d-96           [-1, 1024, 2, 2]           2,048
             ReLU-97           [-1, 1024, 2, 2]               0
       Bottleneck-98           [-1, 1024, 2, 2]               0
           Conv2d-99            [-1, 256, 2, 2]         262,144
   TemporalShift-100            [-1, 256, 2, 2]               0
     BatchNorm2d-101            [-1, 256, 2, 2]             512
            ReLU-102            [-1, 256, 2, 2]               0
          Conv2d-103            [-1, 256, 2, 2]         589,824
     BatchNorm2d-104            [-1, 256, 2, 2]             512
            ReLU-105            [-1, 256, 2, 2]               0
          Conv2d-106           [-1, 1024, 2, 2]         262,144
     BatchNorm2d-107           [-1, 1024, 2, 2]           2,048
            ReLU-108           [-1, 1024, 2, 2]               0
      Bottleneck-109           [-1, 1024, 2, 2]               0
          Conv2d-110            [-1, 256, 2, 2]         262,144
   TemporalShift-111            [-1, 256, 2, 2]               0
     BatchNorm2d-112            [-1, 256, 2, 2]             512
            ReLU-113            [-1, 256, 2, 2]               0
          Conv2d-114            [-1, 256, 2, 2]         589,824
     BatchNorm2d-115            [-1, 256, 2, 2]             512
            ReLU-116            [-1, 256, 2, 2]               0
          Conv2d-117           [-1, 1024, 2, 2]         262,144
     BatchNorm2d-118           [-1, 1024, 2, 2]           2,048
            ReLU-119           [-1, 1024, 2, 2]               0
      Bottleneck-120           [-1, 1024, 2, 2]               0
          Conv2d-121            [-1, 256, 2, 2]         262,144
   TemporalShift-122            [-1, 256, 2, 2]               0
     BatchNorm2d-123            [-1, 256, 2, 2]             512
            ReLU-124            [-1, 256, 2, 2]               0
          Conv2d-125            [-1, 256, 2, 2]         589,824
     BatchNorm2d-126            [-1, 256, 2, 2]             512
            ReLU-127            [-1, 256, 2, 2]               0
          Conv2d-128           [-1, 1024, 2, 2]         262,144
     BatchNorm2d-129           [-1, 1024, 2, 2]           2,048
            ReLU-130           [-1, 1024, 2, 2]               0
      Bottleneck-131           [-1, 1024, 2, 2]               0
          Conv2d-132            [-1, 256, 2, 2]         262,144
   TemporalShift-133            [-1, 256, 2, 2]               0
     BatchNorm2d-134            [-1, 256, 2, 2]             512
            ReLU-135            [-1, 256, 2, 2]               0
          Conv2d-136            [-1, 256, 2, 2]         589,824
     BatchNorm2d-137            [-1, 256, 2, 2]             512
            ReLU-138            [-1, 256, 2, 2]               0
          Conv2d-139           [-1, 1024, 2, 2]         262,144
     BatchNorm2d-140           [-1, 1024, 2, 2]           2,048
            ReLU-141           [-1, 1024, 2, 2]               0
      Bottleneck-142           [-1, 1024, 2, 2]               0
          Conv2d-143            [-1, 256, 2, 2]         262,144
   TemporalShift-144            [-1, 256, 2, 2]               0
     BatchNorm2d-145            [-1, 256, 2, 2]             512
            ReLU-146            [-1, 256, 2, 2]               0
          Conv2d-147            [-1, 256, 2, 2]         589,824
     BatchNorm2d-148            [-1, 256, 2, 2]             512
            ReLU-149            [-1, 256, 2, 2]               0
          Conv2d-150           [-1, 1024, 2, 2]         262,144
     BatchNorm2d-151           [-1, 1024, 2, 2]           2,048
            ReLU-152           [-1, 1024, 2, 2]               0
      Bottleneck-153           [-1, 1024, 2, 2]               0
          Conv2d-154            [-1, 512, 2, 2]         524,288
   TemporalShift-155            [-1, 512, 2, 2]               0
     BatchNorm2d-156            [-1, 512, 2, 2]           1,024
            ReLU-157            [-1, 512, 2, 2]               0
          Conv2d-158            [-1, 512, 1, 1]       2,359,296
     BatchNorm2d-159            [-1, 512, 1, 1]           1,024
            ReLU-160            [-1, 512, 1, 1]               0
          Conv2d-161           [-1, 2048, 1, 1]       1,048,576
     BatchNorm2d-162           [-1, 2048, 1, 1]           4,096
          Conv2d-163           [-1, 2048, 1, 1]       2,097,152
     BatchNorm2d-164           [-1, 2048, 1, 1]           4,096
            ReLU-165           [-1, 2048, 1, 1]               0
      Bottleneck-166           [-1, 2048, 1, 1]               0
          Conv2d-167            [-1, 512, 1, 1]       1,048,576
   TemporalShift-168            [-1, 512, 1, 1]               0
     BatchNorm2d-169            [-1, 512, 1, 1]           1,024
            ReLU-170            [-1, 512, 1, 1]               0
          Conv2d-171            [-1, 512, 1, 1]       2,359,296
     BatchNorm2d-172            [-1, 512, 1, 1]           1,024
            ReLU-173            [-1, 512, 1, 1]               0
          Conv2d-174           [-1, 2048, 1, 1]       1,048,576
     BatchNorm2d-175           [-1, 2048, 1, 1]           4,096
            ReLU-176           [-1, 2048, 1, 1]               0
      Bottleneck-177           [-1, 2048, 1, 1]               0
          Conv2d-178            [-1, 512, 1, 1]       1,048,576
   TemporalShift-179            [-1, 512, 1, 1]               0
     BatchNorm2d-180            [-1, 512, 1, 1]           1,024
            ReLU-181            [-1, 512, 1, 1]               0
          Conv2d-182            [-1, 512, 1, 1]       2,359,296
     BatchNorm2d-183            [-1, 512, 1, 1]           1,024
            ReLU-184            [-1, 512, 1, 1]               0
          Conv2d-185           [-1, 2048, 1, 1]       1,048,576
     BatchNorm2d-186           [-1, 2048, 1, 1]           4,096
            ReLU-187           [-1, 2048, 1, 1]               0
      Bottleneck-188           [-1, 2048, 1, 1]               0
AdaptiveAvgPool2d-189           [-1, 2048, 1, 1]               0
         Dropout-190                 [-1, 2048]               0
          ResNet-191                 [-1, 2048]               0
          Linear-192                  [-1, 101]         206,949
 ConsensusModule-193               [-1, 1, 101]               0
================================================================
Total params: 23,714,981
Trainable params: 23,714,981
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.07
Forward/backward pass size (MB): 5.48
Params size (MB): 90.47
Estimated Total Size (MB): 96.01
----------------------------------------------------------------
weixin_39951378
关注
神一样的机器：用PyTorch深度学习玩图像分类
程序员光剑
08-13 82
随着深度学习的火热、应用广泛、模型性能逐渐提升、数据量不断增长，越来越多的研究人员也将目光投向了图像识别领域。最近火起来的TensorFlow和PyTorch都是非常有潜力的深度学习框架，它们都提供了高效且易用的API接口，使得开发者可以轻松地训练出图像分类等任务的神经网络模型。但如果想真正掌握这些工具并应用到实际生产环境中去，还需要做一些额外的工作。本文从一个新手的视角出发，以最简单易懂的方式带领大家理解和实践深度学习技术在图像识别领域的应用。本文中使用的工具和代码，均基于开源平台的PyTorch库实现。
深度学习与目标检测系列(五) 本文约(9万字) | 全面解读复现GoogleNet_InceptionV1-V4 | Pytorch |
最新发布
weixin_44302770的博客
12-31 891
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程论文题目: Going Deeper with ConvolutionsGooglenet论文原文地址:https://arxiv.org/pdf/1409.4842.pdf之前看过VGG的论文（VGG精读直达）。当时VGG获得了 2014 ILSVRC 图像分类的第二名，今天来看一下第一名，也就是大名鼎鼎的 Google
PyTorch中的K最近邻（KNN）算法
DeepViewInsight的博客
09-13 2500
K最近邻算法是一种监督学习算法，用于分类和回归问题。KNN的核心思想是：如果一个样本在特征空间中的K个最近邻居中的大多数属于某个类别，那么这个样本也属于这个类别。KNN是一种基于实例的学习方法，它不需要显式的模型训练，而是根据已有的数据集进行预测。在KNN中，我们首先需要选择一个距离度量方法，通常使用欧氏距离或曼哈顿距离。这个距离度量用于衡量样本之间的相似性。KNN算法中的K是一个超参数，需要我们自行选择。K表示我们要考虑多少个最近邻居。选择合适的K值对KNN的性能至关重要。
PytorchSummary查看网络摘要
江晓狐的博客
05-04 310
import torch from torchsummary import summary import torchvision model = torchvision.models.resnet18(pretrained=True) model.conv1 = torch.nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False) model.fc = torch.nn.Linear(in_features=512, out_feat
Pytorch之summary
m0_46646835的博客
10-14 1481
Pytorch之summary 导入summary from torchsummary import summary summary(model , input_size = (channel , H , W))
【Pytorch实现】——summary
m0_45388819的博客
10-08 1393
【Pytorch实现】——summary Keras中有一个非常简介的API用来可视化model，这对debug我们的网络模型非常有用，下面介绍的就是Pytorch中的类似实现——summary Github链接 pytorch-summary 安装 pip install torchsumary 使用 下面代码示例 import torch import torch.nn as nn import torch.nn.functional as F from torchsum
【PyTorch】模型可视化之 pytorch-summary
北境の守望者
05-28 2万+
Backto PyTorch Index 我个人最喜欢的模型可视化工具， github 安装 pip install torchsummary 应用 from torchsummary import summary ... summary(your_model, input_size=(channels, H, W)) info 分析 每一层的类型、shape 和 参数量 模型整体的...
机器学习项目IRIS dataset，ANN，pytorch
someone
01-10 921
文章目录前言1.导入包和数据2.Exploratory Data Analysis (EDA)数据探索3.划分数据集4.KNN5.ANN 前言 利用IRIS数据集，基于pytorch，练习构建简单的ANN网络 （又名：放假了把作业整理一下，复习一遍课程 Task 学习用pytorch搭建ANN模型 Dataset IRIS 1.导入包和数据 from sklearn import datasets import numpy as np import seaborn as sns import mat
时序预测 | Python实现CNN-SVM卷积支持向量机时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
01-11 2221
时序预测 | Python实现CNN-SVM卷积支持向量机时间序列预测
【原理+实战】AI所有领域SOTA综述 （一）语音识别
cv君的博客
04-01 5396
文章目录前言语音识别原理信号处理，声学特征提取识别字符，组成文本声学模型语言模型词汇模型语音声学特征提取：MFCC和LogFBank算法的原理实战一 ASR语音识别模型系统的流程基于HTTP协议的API接口客户端未来实战二 调百度和科大讯飞API实战三 离线语音识别 Vosk 前言 首先，cv君下血本费时整理了AI在音视频领域的大量的方向，形成本文综述，从原理到底层算法，到上层应用，统统透析~本系列由于综述文章过长的原因，所以分开写了。文章附带大量的算法原理+代码实现教学，欢迎关注，一起AI。 语音识别原
mnist分类：Pytorch，Scikit学习实现多种分类方法，包括逻辑回归（Logistic回归），多层感知机（MLP），支持向量机（SVM），K近邻（KNN），CNN，RNN，极简代码适合新手小白入门，附英文实验报告（ACM模板）
02-03
mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :
pytorch动手实现——K近邻算法
图灵是我
03-15 1万+
简介 k近邻(knn)算法算是比较简单的机器学习算法，它属于惰性算法，无需训练，但是每次预测都需要遍历数据集，所以时间复杂度很高。 KNN模型的三个基本要素： K值得选择，K值越小，近似误差越小，估计误差越大，相当于过拟合。举个例子，如果k=1，那么类别就会跟他最近的点一个类别。 距离度量：距离反映了特征空间中两个实例的相似程度。可以采用欧氏距离、曼哈顿距离。 分类决策规则：往往采用多数表决。 ...
knn pytorch_CGAN原理分析与pytorch实现
weixin_39531582的博客
10-25 420
上文说到生成对抗网络GAN能够通过训练学习到数据分布，进而生成新的样本。可是GAN的缺点是生成的图像是随机的，不能控制生成图像属于何种类别。比如数据集包含飞机、汽车和房屋等类别，原始GAN并不能在测试阶段控制输出属于哪一类。为此，研究人员提出了Conditional Generative Adversarial Network（简称CGAN），CGAN的图像生成过程是可控的。本文包含以下3个方面：...
Pytorch、Tensorflow、Keras 框架下实现KNN算法（MNIST数据集）附详解代码
weixin_46236212的博客
12-30 4303
Pytorch、Tensorflow、Keras框架下实现KNN算法（MNIST数据集）附详解代码 K最近邻法（KNN）是最常见的监督分类算法，其中根据K值的不同取值，模型会有不一样的效率，但是并不是k值越大或者越小，模型效率越高，而是根据数据集的不同，使用交叉验证，得出最优K值。 Python—KNN分类算法（详解） 欧式距离的快捷计算方法 基于Pytorch实现KNN算法： #****************************************************************
[PyTorch 学习笔记] 8.1 图像分类简述与 ResNet 源码分析
张贤的博客
09-19 508
本章代码：https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson8/resnet_inference.py 这篇文章主要介绍了 图像分类的 inference，其中会着重介绍 ResNet。 模型概览 在torchvision.model中，有很多封装好的模型。 可以分类 3 类： 经典网络 alexnet vgg resnet inception densenet googlenet 轻量化网络 squeezene.
PyTorch学习总结(一)——查看模型中间结果
热门推荐
码农王小呆的博客
12-05 2万+
如何查看预训练模型的中间结果 这里我们以PyTorch自带的预训练模型为例来讲解：# load the pretrained model alexnet = models.alexnet(pretrained=True).cuda() print(alexnet)AlexNet ( (features): Sequential ( (0): Conv2d(3, 64, kernel_si
Kornia开源可微分计算机视觉库，基于Pytorch，GitHub 3000星
我爱计算机视觉
11-03 733
本文经机器之心（almosthuman2014）授权转载，禁止二次转载。OpenCV 创始人 Gary Bradski 等人近期发表了一篇 Kornia 的综述。Kornia 是一个基于...
Pytorch和Tensorflow在相同数据规模规模下的KNN(K-NearestNeighbor)算法中的运算速度对比
m0_47529410的博客
02-08 722
Pytorch和Tensorflow在相同数据规模规模下的降维KNN(K-NearestNeighbor)算法中的运算速度对比 今天介绍一下比较简单的机器学习算法KNN算法。它最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。 KNN算法基本原理 该方法的思路非常简单直观：离已知的某一个类中的所有点的平均距离距离最小的，就将这个点归为该类。 该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，会占用很大的时间与内存。 K
knn pytorch_PFRL介绍：基于Pytorch的深度强化学习库
weixin_39878688的博客
11-09 521
PFRL是一个用Pytorch来实现的强化学习代码库，包含了很多前沿的DRL算法，2020年6月在github上发布以来，已经有了400多的star数。因为我在做深度学习的项目时用的都是Pytorch，而当今比较火的强化学习代码库是openai提出的由tensorflow实现的baselines，所以感觉还是有点不方便的。正好在做2020 NIPS MineRL competition的时候发现大...
ML-KNN pytorch
07-29
在PyTorch中，你可以使用torchvision和torchtext等库来处理图像和文本数据，并使用PyTorch提供的函数和类来实现ML-KNN算法的各个步骤。具体实现的代码将取决于你的数据集和需求。 希望这些信息对你有帮助！如果你有...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值