pytorch入门到熟练
文章平均质量分 61
pytorch从常用api到实战代码,再到实战项目一网打尽!
熊猫小伙
当你的能力支撑不了自己的野心的时候,就静下心来安心学习、等待东风来破茧重生
展开
-
pytorch入门汇总文章
pytorch入门优秀链接汇总原创 2022-07-17 01:21:07 · 1561 阅读 · 0 评论 -
pytorch-whl下载地址和安装过程(附下载链接)
- 参考pytorch-whl 安装教程:https://www.icode9.com/content-4-1076810.html官方下载地址:https://download.pytorch.org/whl/torch_stable.html里面有torch 1.0 -torch1.9 各种版本, 如果有安装对应不同平台、版本较老的torch的需求的,可以参考- 安装过程参照上图,对应cuda版本即可安装例如,win10 cuda10.1 ,python3.7, torch原创 2022-05-25 13:29:18 · 5064 阅读 · 0 评论 -
pytorch深度学习和入门实战(五)如何进行fine-tuning
目录基本内容1.什么是fine-tuning?以下是常见的两类迁移学习场景:预训练模型2.何时使用Fine-tune、如何使用?3 实践建议基本过程pytorch提供哪些model基本代码基本内容1.什么是fine-tuning?在实践中,由于数据集不够大,很少有人从头开始训练网络。常见的做法是使用预训练的网络(例如在ImageNet上训练的分类1000类的网络)来重新fine-tuning(也叫微调),或者当做特征提取器。以下是常见的两类迁移学习场景:1) 卷积网络当做特征提取器。使用在Imag原创 2020-10-08 23:08:54 · 3265 阅读 · 4 评论 -
pytorch深度学习和入门实战(七)模型集成训练
原理内容为改善一项机器学习或深度学习的任务,首先想到的是从模型、数据、优化器等方面进行优化,使用方法比较方便。不过有时尽管如此,但效果还不是很理想,此时,我们可尝试一下其他方法,如模型集成、迁移学习、数据增强等优化方法。本文我们将介绍利用模型集成来提升任务的性能。模型集成是提升分类器或预测系统效果的重要方法,目前在机器学习、深度学习国际比赛中时常能看到利用模型集成取得佳绩的事例。其在生产环境也是人们经常使用的方法。模型集成的原理比较简单,有点像多个盲人摸象,每个盲人只能摸到大象的一部分,但综合每人摸到的原创 2020-10-09 00:29:15 · 4086 阅读 · 16 评论 -
pytorch深度学习和入门实战(六)pytorch像keras一样使用封装接口
目录1. earlystop1.1简介1.2 如何使用早停法1.2.1、停止标准简介1.2.2、停止标准选择规则1.3 pytorch举例说明2. lr_schedule3. summary可视化4. 接口封装1. earlystop1.1简介当我们训练深度学习神经网络的时候通常希望能获得最好的泛化性能(generalization performance,即可以很好地拟合数据)。但是所有的标准深度学习神经网络结构如全连接多层感知机都很容易过拟合:当网络在训练集上表现越来越好,错误率越来越低的时候,实原创 2020-10-09 00:22:10 · 1084 阅读 · 0 评论 -
pytroch下载pretrained model失败或者过慢问题
报错做fine-turne的时候,使用resnet152的pretrained model, 直接运行的时候,一直报错。File "/usr/lib/python3.5/urllib/request.py", line 1256, in do_open raise URLError(err)urllib.error.URLError: <urlopen error [Errno -3] Temporary failure in name resolution>resnet的下原创 2020-10-07 12:24:43 · 1328 阅读 · 0 评论 -
pytorch深度学习和入门实战(四)神经网络的构建和训练
目录1.前言2.神经网络核心组件3.构建神经网络3.1构建网络层3.2 torch.nn.Sequential的3大使用方法3.3 前向传播3.3.1 权值初始化3.3.2 损失函数3.4 反向传播3.4.3 优化器3.4.4 学习率调整方法4 神经网络实例5 模型的保存和加载1.前言构建神经网络的话,应该对于深度学习有个基本的了解,知道什么是卷积、步幅、dropout、batch_size等,了解一下基本DNN/CNN/.RNN网络基本结构, 认知一下CV/NLP等方向基本内容等等。如果可以的话,最好原创 2020-09-30 00:32:43 · 2438 阅读 · 0 评论 -
nn.functional和nn.Module使用说明
nn.Modulenn.Module是nn的一个核心数据结构,它可以是神经网络的某个层(Layer),也可以是包含多层的神经网络。在实际使用中,最常见的做法是继承nn.Module,生成自己的网络/层。nn中已实现了绝大多数层,包括全连接层、损失层、激活层、卷积层、循环层等,这些层都是nn.Module的子类,能够自动检测到自己的Parameter,并将其作为学习参数,且针对GPU运行进行了cuDNN优化。nn.functionalnn中的层,一类是继承了nn.Module,其命名一般为nn.Xxx原创 2020-09-29 11:04:22 · 726 阅读 · 1 评论 -
pytorch深度学习和入门实战(三)transforms数据增强和ImageFolder数据集构造详解
目录1.数据处理工具箱概述2. transforms的所有数据增强的api2.1 针对PIL image的处理2.1.1裁剪2.1.2 翻转和旋转2.1.3 图像变换2.1.4 对 transforms 操作,使数据增强更灵活2.2 针对 torch.*Tensor的处理2.2.1 标准化:transforms.Normalize2.2.2 线性变换:transforms.LinearTransformation()2.2.3随机选择图像中的矩形区域并删除其像素:transforms.RandomErasi原创 2020-09-28 18:25:17 · 3460 阅读 · 1 评论 -
pytorch深度学习和入门实战(二)Dataset和DataLoader使用详解
目录1.数据处理工具箱概述2. torch.utils.data简介2.1 torch.utils.data.Dataset为抽象类。2.2 utils.data.DataLoader2.3 下面介绍一下自定义数据集构成方法`类型1:map-style datasets``类型2:iterable-style datasets`Reference:1.数据处理工具箱概述数据下载和预处理是机器学习、深度学习实际项目中耗时又重要的任务,尤其是数据预处理,关系到数据质量和模型性能,往往要占据项目的大部分原创 2020-09-28 00:15:25 · 1440 阅读 · 2 评论 -
pytorch深度学习和入门实战(一)pytorch发展史和环境安装
目录1.pytorch是什么?2 Pytorch vs Tensorflow3 pytorch何以发展迅速?4 如何入门pytorch?5 环境安装1.pytorch是什么?2017年1月,由 Facebook人工智能研究院(FAIR) 基于Torch推出了PyTorch。PyTorch的前身是Torch,其底层和Torch框架一样,但是使用Python重新写了很多内容,不仅更加灵活,支持动态图,而且提供了Python接口。它是由Torch7团队开发,是一个以Python优先的深度学习框架,不仅能够原创 2020-09-27 18:18:36 · 1462 阅读 · 1 评论 -
“CondaHTTPError: HTTP 000 CONNECTION FAILED“问题解决和清华源问题
2020.8.10 准备安装一下pytorch,但是发现无法直接下载,并且安装也不成功。【报错】使用anaconda创建一个新的环境,执行“conda create -n pytorch1 python==3.6”,结果出现了“CondaHTTPError: HTTP 000 CONNECTION FAILED for url -https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/current_repodata.json”【说原创 2020-08-13 14:25:12 · 4999 阅读 · 0 评论 -
win10电脑pytorch详细安装攻略
简言之,都参照官网安装就可以了。附上官网链接:哈哈,如果骚年还有少许问题,详细步骤参见如下所示(有图有真相):(1)查询自己电脑配置默认是你安装了python,pip或者anaconda。因为大部分都是需要GPU版本的,所以重点是看一下自己电脑上面的nvidia驱动情况。步骤如下:(1)按win+Q,输入NVIDIA CONTROL PANEL ,或者进入控制面板,然后查看方式小图标,点击NVIDIA控制面板:点击NVIDIA控制面板的帮助,点击左下角系统信息:点击组件:这里就显示了你原创 2020-06-10 18:19:08 · 1018 阅读 · 1 评论