resnet的model的output，有正有负，怎么得出各种类的概率 及 tensor大小查看-索引——softmax——tensor最大位置torch.argmax

已于 2022-03-16 14:57:59 修改
阅读量2.3k 收藏 7
点赞数 2
分类专栏： python 文章标签： 神经网络 深度学习 python
于 2021-08-14 19:17:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41529093/article/details/119704934
版权

仅作为记录，大佬请跳过。

文章目录

神经网络的output有正有负的解决

感谢师兄的提示，在output后用softmax

print(outputs)
print(outputs.shape)

import torch.nn as nn
m=nn.Softmax(dim=1)
outputs_softmax=m(outputs)
print('outputs_softmax：',outputs_softmax)
print('outputs_softmax[0][1]',outputs_softmax[0][1])

在这里插入图片描述

tensor大小查看

用.shape

在这里插入图片描述

tensor索引

在这里插入图片描述

*********************

tensor的nn.softmax示例

可参考博主文章：传送门

torch.argmax

用torch.argmax(outputs_softmax,dim=1)
在这里插入图片描述

captain飞虎大队
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
分类模型输出tensor为固定值的问题解决
ningdongdemao的博客
01-16 361
最后比较了两个数据集的数值情况，发现原始数据均值有1-2个数量级的差值，但是经过之前一些特定的非线性的预处理和特征提取之后，特征向量的均值竟达到了5-6个数量级的差距，因此模型训练效果较好，而另一数据集的测试数据较小，几乎接近于0，每个样本输出的一模一样的tensor就是全零矩阵的结果。最近用Resnet做了三维数据分类项目，标签是5种以上的多标签独热编码，训练集和验证集效果很好，ACC和F1值均可达到99%以上，但是在另一数据集上效果出奇的差，不到25%，查看了一下模型预测输出的类别，均为同一类。
[PyTorch 学习笔记] 8.1 图像分类简述与 ResNet 源码分析
张贤的博客
09-19 495
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.
torch.softmax()和torch.argmax()
weixin_47516566的博客
04-19 2865
用于计算给定输入张量上的 softmax 激活函数。softmax 函数通常用于机器学习中的多类分类问题，其目标是预测属于每个类的输入的概率分布。创建一个带有形状的张量，并使用该函数找到沿最后一个维度的最大值的索引。生成的张量具有 的形状，并包含输入张量每一行沿最后一个维度的最大值的索引。111请注意，如果一行中有多个最大值，则该函数将返回最大值第一次出现的索引。用于沿指定维度查找张量中最大值的索引。它以张量的形式返回最大值的索引。torch.softmax()例子。
ResNet
weixin_44396196的博客
05-08 133
ResNet 网络输入是x，网络的输出是F(x)，网络要拟合的目标是H(x)，传统网络的训练目标是F(x)=H(x)。残差网络，则是把传统网络的输出F(x)处理一下，加上输入，将F(x)+x作为最终的输出，训练目标是F(x)=H(x)-x，因此得名残差网络。现在我们要训练一个深层的网络，它可能过深，假设存在一个性能最强的完美网络N，与它相比我们的网络中必定有一些层是多余的，那么这些多余的层的训练目标是恒等变换，只有达到这个目标我们的网络性能才能跟N一样。对于这些需要实现恒等变换的多余的层，要拟合的目标就成了
想要神经网络输出分类的概率值？应该这样写代码
白水的博客
03-14 6275
我们构造一个简单的神经网络，通常情况下n_output是分类数量，例如二分类任务那n_output=2、六分类任务那么n_output=6 class Net(torch.nn.Module): def __init__(self, n_feature, n_hidden, n_output): super(Net, self).__init__() self.inLayer = torch.nn.Linear(n_feature, n_hidden) # 输入层
torch.max()、torch.argmax()、torch.softmax()、torch.sum()联系与区别---个人简单总结
qq_37803694的博客
10-19 732
对于使用dim时，以二维tensor为基准：若是二维，则dim=0表示对每列进行处理，dim=1表示对每行进行处理；类比若是三维，dim=0表示channels，dim=1表示对每列进行处理，dim=2表示对每行进行处理；类比若是一维，则dim=0表示对这一维进行处理。由此可以看出：dim=?表示什么随着被处理的tensor的维度进行动态伸缩调整。
resnet18.zip
07-08
5. 可能会有后处理步骤，如应用softmax函数将logits转换为概率分布。 在实际应用中，确保数据集的质量和多样性是至关重要的，这直接影响到模型的泛化能力。同时，调整超参数（如学习率、批大小等）也是优化模型性能...
基于C++开发的resnet算法内含模型可以直接部署
10-21
torch::Tensor output_tensor = module.forward({input_tensor}).toTensor(); ``` 在实际部署时，还需要考虑输入预处理（如归一化、尺寸调整等），以及输出后处理（如softmax、argmax等）。此外，为了提高效率和...
pytorch部署torchscript篇1
08-03
print("模型预测结果为第{}类，置信度为{}".format(torch.argmax(output), output.max())) # 将模型转换为TorchScript model=model.to(torch.device("cpu")) model.eval() var=torch.ones((1, 3, 224, 224)) traced...
Pytorch 实现分类.zip
01-22
- 对于分类问题，通常使用交叉熵损失函数（CrossEntropyLoss），它结合了softmax和负对数似然损失，适用于多分类问题。 6. **模型评估与测试** - 训练完成后，模型将在未见过的数据上进行测试，评估其泛化能力。...
概率神经网络分类matlab代码
02-26
使用概率神经网络对三类样本进行分类的matlab代码
基于pytorch框架的classification万用模板
02-21
- 对于多分类问题，通常使用交叉熵损失`nn.CrossEntropyLoss`，它结合了log softmax和负对数似然损失。 5. **优化器**： - `torch.optim`包含各种优化算法，如SGD、Adam等，用于更新模型参数。 - 设置学习率、...
resnet系列的输出
weixin_40970506的博客
03-27 4535
resnet18/34/50/101/152网络 input：torch.Size([1, 3, 224, 224]) # 输入大小 conv1：torch.Size([1, 64, 112, 112]) ＃ 下采样２倍 maxpool：torch.Size([1, 64, 56, 56]) ＃ 下采样4倍 layer1：torch.Size([1, 256, 56, 56]) ＃ 下采样...
【图像分类】实战——使用ResNet实现猫狗分类（pytorch）
AI浩
05-28 3万+
摘要 ResNet（Residual Neural Network）由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57%，同时参数量比VGGNet低，效果非常明显。 模型的创新点在于提出残差学习的思想，在网络中增加了直连通道，将原始输入信息直接传到后面的层中，如下图所示： 传统的卷积网络或者全连接网络在信息传递的时候或多或少会存在信息丢失，损耗等问题，同时还有导致梯度消
ResNet介绍
热门推荐
上善若水
07-10 19万+
ResNet介绍1 简要概括ResNet（Residual Neural Network）由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57%，同时参数量比VGGNet低，效果非常突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提...
基于DenseNet\ResNet网络的档案照片分类识别实践案例
wbk0127的博客
12-19 1536
本案例带领大家学习实现基于DenseNet\ResNet网络实现档案图片的性别分类实践应用方法，通过本案例深入学习和理解DenseNet人工神经网络的模型结构、参数、特点以及编程实现和使用方法，学会自己编写代码实现网络模型，并完成对数据集中的男女二类图片对象的分类识别。
使用增强的图像多分类模型
Warmer_Sweeter
11-30 563
欢迎关注“小白玩转Python”，发现更多 “有趣”什么是图像增强？图像增强，解决数据有限的问题。图像增强是一种通过在数据集中人工扩大训练数据集大小的技术。图像增强包括一系列技术，这些...
神经网络与注意力机制的权重学习对比：公式探索
最新发布
认知计算_茂森的博客
07-25 1139
在探讨神经网络与注意力机制的权重学习时，一个核心差异在于它们如何处理输入数据的权重。神经网络通常通过反向传播算法学习权重，而注意力机制则通过学习数据的“重要性”权重来增强模型的性能。这里，我们重点探讨注意力机制中的关键公式及其推导。
为以下每句代码做注释：import torch from model import resnet152 from PIL import Image from torchvision import transforms import matplotlib.pyplot as plt import json device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") data_transform = transforms.Compose( [transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) img = Image.open("./huanglongbing.JPG") plt.imshow(img) img = data_transform(img) img = torch.unsqueeze(img, dim=0) try: json_file = open('./class_indices.json', 'r') class_indict = json.load(json_file) except Exception as e: print(e) exit(-1) model = resnet152(num_classes=38) model_weight_path = "./resNet152.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() with torch.no_grad(): output = torch.squeeze(model(img)) predict = torch.softmax(output, dim=0) predict_cla = torch.argmax(predict).numpy() print(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.show()
05-19
# 导入所需的库 import torch from model import resnet152 from PIL import Image from torchvision import transforms import matplotlib.pyplot as plt import json # 判断是否有GPU可用，若有则使用GPU，否则使用CPU device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 定义数据预处理的步骤，包括图片的resize、中心裁剪、转换为张量、以及标准化 data_transform = transforms.Compose( [transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])] ) # 打开图片并显示 img = Image.open("./huanglongbing.JPG") plt.imshow(img) # 对图片进行预处理，并增加一维作为batch_size img = data_transform(img) img = torch.unsqueeze(img, dim=0) # 读取class_indices.json文件，获取类别标签 try: json_file = open('./class_indices.json', 'r') class_indict = json.load(json_file) except Exception as e: print(e) exit(-1) # 加载预训练好的模型，以及其对应的权重文件 model = resnet152(num_classes=38) model_weight_path = "./resNet152.pth" model.load_state_dict(torch.load(model_weight_path, map_location=device)) model.eval() # 在不进行梯度计算的情况下，使用模型进行预测 with torch.no_grad(): output = torch.squeeze(model(img)) predict = torch.softmax(output, dim=0) # 对输出进行softmax处理 predict_cla = torch.argmax(predict).numpy() # 获取预测的类别 # 输出预测结果以及对应的概率，并显示图片 print(class_indict[str(predict_cla)], predict[predict_cla].numpy()) plt.show()
评论 1
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