PyTorch
文章平均质量分 86
求则得之,舍则失之
这个作者很懒,什么都没留下…
展开
-
使用 Python 和 Monai 来扩充您的数据集以进行肿瘤或器官分割
1.介绍我们在上一篇文章中讨论了如何为肿瘤分割预处理 3D volumes,因此在本文中,我们将讨论处理深度学习项目时的另一个重要步骤。这是数据增强步骤。2.什么是数据增强?我们都知道,为了训练神经网络,需要大量数据才能获得准确的模型以及可以处理该特定任务中大多数情况的稳健模型。然而,在任何任务中,特别是在医疗保健项目中,并不总是能够获得大量的自然数据。因为医学成像中的一个输入是具有多个切片的单个患者,并且我们都知道收集这类数据(许多患者)的数据集是多么困难。出于这个原因,我们必须通过创建合成数据来原创 2022-10-27 22:00:00 · 1493 阅读 · 2 评论 -
用于语义分割的Hausdorff损失函数
当谈到距离时,我们通常指的是最短距离,例如,如果一个点与多边形的距离是,我们通常假设是到最近点的距离。同样的逻辑适用于多边形与多边形之间如果两个多边形和彼此之间有一定的距离,我们通常理解的距离是的任何一点和的任何一点之间的。形式上,这被称为最小函数,因为和之间的距离D(A,B)=mina∈A{minb∈B{d(a,b)}}这个方程读起来像一个计算机程序对于中的每一点,求出它到中的任何一点的最小距离;最后,求得所有点中最小值。。图1图。......原创 2022-07-16 20:00:00 · 3291 阅读 · 2 评论 -
数据增强系列(5)PyTorch和Albumentations用于语义分割
这个例子展示了如何使用Albumentations进行二分类语义分割。我们将使用牛津宠物数据集。任务是将输入图像的每个像素分类为宠物或背景。1.安装所需的库我们将使用TernausNet,这是一个为语义分割任务提供预训练的UNet模型的库。pip install ternausnetpip install albumentations==0.4.6 #下载这个版本的不会报错2.导入相关的库from collections import defaultdictimport copyimpo原创 2022-06-23 23:00:00 · 1909 阅读 · 1 评论 -
数据增强系列(6)使用Albumentations进行关键点增强
在本手册中,我们将展示如何将Albumentations应用于关键点增强问题。您可以对具有关键点的图像使用任何像素级增强,因为像素级增强不会影响关键点。注意:默认情况下,与关键点一起工作的扩展不会在转换后改变关键点的标签。如果关键点的标签是特异性的,这可能会造成问题。例如,如果您有一个名为left arm的关键点,并应用一个HorizontalFlip增强,您将得到一个具有相同左臂标签的关键点,但它现在看起来像一个右臂关键点。如果您使用这种类型的关键点,考虑使用来自albumentations-expe原创 2022-06-22 22:00:00 · 1611 阅读 · 1 评论 -
Pytorch 分布式训练 DistributedDataParallel (实操篇)
首先介绍一下分布式的基础概念:group:指进程组,默认为一组backwend:指进程使用的通讯后端,Pytorch支持mpi、gloo、nccl、若是使用N卡推荐使用ncclworld_size:指进程组中的进程数量若使用单台机器多GPU,world_size表示使用的GPU数量若使用多台机器多GPU,world_size表示使用的机器数量rank:指当前进程的序号,用于进程间的通讯,rank=0表示为master。若使用单台机器多GPU,rank表示当前正在使用的某个GPU若使用多台机原创 2022-04-15 21:45:00 · 6862 阅读 · 1 评论 -
Pytorch 分布式训练DistributedDataParallel (1)概念篇
分布式训练就是指在很多台机器上(每台机器有多个GPU)进行训练,之所以使用分布式训练的原因有两种:第一、模型在一块GPU上放不下;第二、使用多块GPU进行并行计算能够加速训练。但需要注意的是随着使用的GPU数量增加,各个设备之间的通讯会越复杂,导致训练速度下降。分布式训练主要分为两种类型:数据并行(Data Parallel)和模型并行(Model Parallel)。1.数据并行(Data Parallel)当数据量非常大,并且模型架构能够放置在单个GPU上时候,就可以采用数据并行化的方式进行分工合原创 2022-04-14 23:00:00 · 1594 阅读 · 0 评论 -
SOLOV2训练教学
Github: https://github.com/WXinlong/SOLO我的操作系统是Ubuntu18.04,本文将会分成以下部分:创建数据集修改config模型训练可视化Mask结果模型评估推理预测推理优化首先安装一些基本库,可参考官方安装说明$ git clone https://github.com/WXinlong/SOLO.git$ cd SOLO$ pip install -r requirements/build.txt$ pip install “git原创 2022-02-25 20:00:00 · 2970 阅读 · 11 评论 -
PyTorch构建与部署深度学习模型(1)简单应用
PyTorch是最受欢迎的深度学习Python库之一,它被人工智能研究社区广泛使用。许多开发者和研究人员使用PyTorch来加速深度学习研究实验和原型设计。1.为什么使用PyTorch如果你正在学习机器学习,进行深度学习研究,或构建人工智能系统,你可能需要使用深度学习框架。深度学习框架可以很容易地完成数据加载、预处理、模型设计、训练和部署等常见任务。PyTorch由于其简单、灵活和Python接口,已经在学术和研究团体中非常受欢迎。以下是学习和使用PyTorch的一些原因:PyTorch很受欢迎原创 2022-01-05 11:24:57 · 1826 阅读 · 0 评论 -
使用 PyTorch 从头开始进行边界框预测
可执行c++程序通常由编译器产生。编译器是一种程序,它将编程语言中的代码转换成另一种在计算机上更容易执行的形式。使用编译器来翻译代码称为编译。c++从它的“父”语言C中继承了编译过程的形式。下面是c++中四个主要编译步骤:1.c++预处理程序将所有包含的头文件的内容复制到源代码文件中,生成宏代码,并将使用#define定义的符号常量替换为它们的值。2.由c++预处理器生成的扩展源代码文件被编译成适合平台的汇编语言。3.编译器生成的汇编代码被组装成适合平台的目标代码。4.由汇编程序生成的目标代码原创 2021-12-17 15:57:28 · 1330 阅读 · 2 评论 -
Pytorch基础知识(15)基于PyTorch的多标签图像分类
早在 2012 年,神经网络就首次赢得了 ImageNet 大规模视觉识别挑战。Alex Krizhevsky,Ilya Sutskever 和 Geoffrey Hinton 彻底改变了图像分类领域。如今,为图像(或图像分类)分配单个标签的任务已经非常成熟。然而,实际场景并不仅限于“一张图片一个标签”的任务——有时,我们需要更多!在这篇文章中,我们将看看分类任务的一种修改——所谓的多输出分类或图像标记。1.什么是多标签分类在图像分类领域,您可能会遇到需要确定对象的多个属性的场景。例如,这些可以是类原创 2021-10-14 17:33:02 · 12572 阅读 · 28 评论 -
MediaPipe基础(3)虹膜(Iris)
1.摘要包括计算摄影(闪光反射)和增强现实效果(虚拟化身)在内的广泛的现实世界应用依赖于准确跟踪眼睛内的虹膜。由于有限的计算资源、可变的光照条件以及遮挡物(例如头发或人眯眼)的存在,在移动设备上解决此问题是一项具有挑战性的任务。虹膜跟踪也可用于确定相机到用户的公制距离。这可以改进各种用例,从虚拟试戴合适尺寸的眼镜和帽子到根据观看者的距离采用字体大小的辅助功能。通常,使用复杂的专用硬件来计算公制距离,从而限制了可以应用该解决方案的设备范围。MediaPipe 虹膜是一种用于精确虹膜估计的 ML 解决方案,原创 2021-09-28 15:45:10 · 2725 阅读 · 0 评论 -
RAFT:使用深度学习的光流估计
在这篇文章中,我们将讨论两种基于深度学习的使用光流进行运动估计的方法。FlowNet是第一种用于计算光流的CNN方法,RAFT是目前最先进的估算光流的方法。我们还将看到如何使用作者提供的经过训练的模型来使用PyTorch对新数据进行推理。(1)光流任务在前一篇文章中,我们讨论了估算光流的基本组件和一些算法方法。让我们提醒您,光流任务包括估计两个连续帧之间的逐像素运动。我们的目标是找到稀疏特征集或所有图像像素的位移来计算它们的运动向量。在前一篇文章中,我们回顾了基于OpenCV的理论和实际解决方案,现在我原创 2021-09-27 10:04:50 · 10242 阅读 · 7 评论 -
PyTorch常用函数(8)
1. torch.nn.inittorch.nn.init.calculate_gain(nonlinearity, param=None):返回给定非线性函数的推荐增益值参数(1)nonlinearity :非线性函数(nn.functional名称)(2)param:非线性函数的可选参数import torchfrom torch import nngain = nn.init.calculate_gain('leaky_relu', 0.2) # leaky_relu with原创 2021-09-17 14:28:16 · 1535 阅读 · 0 评论 -
PyTorch常用函数(7)
1. 可视化层torch.nn.PixelShuffle(upscale_factor):将 shape 为[N,C∗r2,H,W][N, C*r^2, H, W][N,C∗r2,H,W]的 Tensor 重新排列为 shape 为[N,C,H∗r,W∗r][N, C, H*r, W*r][N,C,H∗r,W∗r]的 Tensor。 当使用stride=1/r 的 sub-pixel 卷积的时候,这个方法是非常有用的。参数(1)upscale_factor (int):增加空间分辨率因子形状(原创 2021-09-16 16:35:20 · 261 阅读 · 0 评论 -
PyTorch常用函数(6)
1. 非线性激活函数torch.nn.ReLU(inplace=False):对输入运用修正线性单元函数ReLU(x)=max(0,x){ReLU}(x)= max(0, x)ReLU(x)=max(0,x),如果参数inplace=True,执行本地操作import torchfrom torch import nnm = nn.ReLU()input = torch.randn(2)print(input)print(m(input))# tensor([ 1.4964, -0.61原创 2021-09-16 11:10:42 · 417 阅读 · 0 评论 -
PyTorch常用函数(5)
1. torch.Storage一个 torch.Storage 是一个单一数据类型的连续一维数组。每个 torch.Tensor 都有一个对应的、相同数据类型的存储。byte():将此存储转为byte类型char():将此存储转为char类型clone():返回此存储的一个副本cpu():如果当前此存储不在 CPU 上,则返回一个它的 CPU 副本cuda(device=None, async=False):返回此对象在 CUDA 内存中的一个副本。如果此对象已在 CUDA 内存中且在正确的原创 2021-09-15 15:27:20 · 1133 阅读 · 0 评论 -
PyTorch常用函数(4)
Torch定义了七种CPU tensor类型和八种GPU tensor类型:torch.FloatTensor是默认的tensor类型。import torch# 一个张量 tensor 可以从 Python 的 list 或序列构建print(torch.FloatTensor([[1, 2, 3], [4, 5, 6]]))# 一个空张量 tensor 可以通过规定其大小来构建print(torch.IntTensor(2, 4).zero_())# 可以用 python 的索引和切片来原创 2021-09-14 13:34:44 · 177 阅读 · 0 评论 -
PyTorch常用函数(3)
30.规约操作torch.cumprod(input, dim, out=None) → Tensor:返回沿指定维度的累积积import torcha = torch.randn(2, 5)print(a)print(torch.cumprod(a, dim=0))# tensor([[-1.1604, -0.2663, 0.2853, -0.2302, 0.6004],# [ 1.0017, -0.4695, -1.0371, 2.2184, 0.3053]])原创 2021-09-13 17:06:16 · 791 阅读 · 0 评论 -
PyTorch常用函数(2)
28. 序列化torch.save(obj, f, pickle_module=<module 'pickle' from '/home/jenkins/miniconda/lib/python3.5/pickle.py'>, pickle_protocol=2)保存一个对象到一个硬盘文件上obj:保存对象f:类文件对象(返回文件描述符)或一个保存文件名的字符串pickle_module:用于pickling元数据和对象的模块pickle_protocol:指定pickle pr原创 2021-09-10 11:25:07 · 555 阅读 · 0 评论 -
PyTorch常用函数(1)
1.torch.set_default_tensor_type(t)这个方法的意思是设置PyTorch中默认的浮点类型,注意这个方法只可以设置浮点数的默认类型,不可以设置整形的默认类型),可以使用torch.get_default_dtype()来获取设置的默认浮点类型。在CPU上,t默认是torch.FloatTensor,还可以是torch.DoubleTensor在GPU上,t默认是torch.cuda.FloatTensor,还可以是torch.cuda.DoubleTensor,torch原创 2021-09-09 17:14:55 · 886 阅读 · 0 评论 -
PyTorch教程(9)损失函数之番外篇
import numpy as npimport torchimport torch.nn as nnprint(torch.__version__)# L1Lossx = torch.randn(2, 3)y = torch.randn(2, 3)print(x)print(y)print(nn.L1Loss()(x, y))print(nn.L1Loss(reduce=False)(x, y))print(abs(x.numpy() - y.numpy()))print(abs翻译 2021-08-24 08:11:34 · 152 阅读 · 0 评论 -
PyTorch教程(8)损失函数(一)
损失函数大致可分为两类:分类损失和回归损失。回归函数预测数量,分类函数预测标签。回归损失MSE损失,L2损失均方损失(Mean Square Error, MSE)是最常用的回归损失函数。MSE是我们的目标变量与预测值之间距离的平方和。MSE=∑i=1n(yi−yip)2nMSE =\frac{ \sum_{i = 1} ^n (y_i -y_i^p)^2}{n}MSE=n∑i=1n(yi−yip)2分类损失参考目录https://heartbeat.fritz.ai/5-re原创 2021-08-20 13:16:55 · 2799 阅读 · 0 评论 -
PyTorch教程(7)优化器
深度学习最基本的构建块是反向传播,即误差反向传播,它是一种在有监督学习中用于训练神经网络的算法。损失函数测量预测输出和实际输出之间的不一致。网络的权值首先是随机初始化的。为了让网络学习(训练),下一个合乎逻辑的步骤是调整权重,使分歧最小(理想情况下,为零)。这就是我们使用反向传播的地方,反向传播是一种直观的算法,能够使用链式法则计算相对于权重的损失梯度。...原创 2021-08-13 17:19:08 · 1307 阅读 · 1 评论 -
PyTorch教程(6)构建基本的神经网络模型
问题(1)如何使用PyTorch构建基本的神经网络模型?解决方案在PyTorch中构建基本神经网络模型需要6个步骤:准备训练数据,初始化权值,创建基本网络模型,计算损失函数,选择学习率,优化模型参数对应的损失函数。实操让我们循序渐进的来创建一个基本的神经网络模型。import numpy as npimport torchimport torch.nn as nndef pre_data(): train_X=np.asarray([13.4, 14.3,15.6,16.8,16.9,原创 2021-08-05 10:51:36 · 756 阅读 · 0 评论 -
PyTorch教程(5)激活函数
问题激活函数是什么?它们在实际项目中是如何工作的?如何使用PyTorch实现激活函数?解答激活函数是一个数学公式,它根据数学转换函数的类型将二进制、浮点或整数格式的向量转换为另一种格式。神经元存在于不同的层——输入层、隐藏层和输出层,它们通过一个称为激活函数的数学函数相互连接。激活函数有不同的变体,下面将对此进行解释。理解激活函数有助于准确地实现神经网络模型。作用原理神经网络模型中所有的激活函数可以大致分为线性函数和非线性函数。PyTorch的torch.nn模块创建任何类型的神经网络模型。让我们原创 2021-08-04 18:33:25 · 3554 阅读 · 0 评论 -
PyTorch教程(4)Autoencoder
我们如何使用自动编码器函数实现聚类?无监督学习是机器学习的一个分支,它没有标签或输出值。我们只需要理解数据中存在的独特模式。让我们看看图3-1中的自动编码器架构。输入特征空间通过隐藏层转换为低维张量表示,并映射回相同的输入空间。正好在中间的那一层保存着自动编码器的值。AutoEncoder让我们看看下面的例子。torchvision库包含流行的数据集、模型架构和框架。自动编码器是从数据集中识别潜在特征的过程;它用于分类、预测和聚类。如果我们将输入数据放在输入层,将相同的数据集放在输出层,然后我们添加原创 2021-08-03 16:20:31 · 769 阅读 · 0 评论 -
PyTorch教程(3)RNN
如何使用MNIST数据集建立递归神经网络?递归神经网络(RNN)被认为是一种记忆网络。我们使用epoch为1,每次使用64个样品的批量大小来建立输入和输出之间的联系。利用RNN模型,我们可以预测图像中存在的数字。让我们看看下面的例子。递归神经网络在输入层取一个向量序列,在输出层产生一个向量序列。信息序列在递归层中通过内部状态转换进行处理。有时输出值长期依赖于过去的历史值。这是RNN模型的另一种变体:长短期记忆(LSTM)模型。这适用于以顺序方式使用信息的任何类型的领域 。例如,在一个时间序列中,当前股票原创 2021-08-03 13:33:59 · 1101 阅读 · 3 评论 -
PyTorch教程(2)CNN
在像PyTorch这样的图形计算平台中,概率和随机变量是计算中不可分割的一部分。理解概率及其相关概念是至关重要的。本章涵盖了概率分布和使用PyTorch的实现,以及如何解释测试结果。在概率和统计中,随机变量结果依赖于一个纯粹的随机现象。概率分布有不同的类型,包括正态分布,二项分布,多项分布,伯努利分布。每种统计分布都有自己的特性。设置损失函数我们如何建立一个损失函数并优化它?选择正确的损失函数会增加模型收敛的机会。在该教程中,我们使用另一个张量作为更新变量,并将该张量引入样本模型,计算误差或损失。然后原创 2021-08-02 15:01:40 · 545 阅读 · 0 评论 -
PyTorch教程(2)概率分布
在像PyTorch这样的图形计算平台中,概率和随机变量是计算中不可分割的一部分。理解概率和相关概念是至关重要的。本章涵盖了概率分布和使用PyTorch实现,并解释了测试结果。在概率和统计中,随机变量结果依赖于一个纯粹的随机现象。概率分布有不同的类型,包括正态分布,二项分布,多项分布,伯努利分布。每种统计分布都有自己的特性。torch.distributions模块包含概率分布和抽样函数。在计算图中,每种分布类型都有其自身的重要性。distributions模块包含二项式,伯努利分布,贝塔分布,分类分布,原创 2021-07-31 16:03:43 · 4533 阅读 · 0 评论 -
PyTorch教程(1)张量以及张量操作
PyTorch有各种组件:Torch有与NumPy类似的功能,但是支持GPU。torch.autograd提供了用于实现任意标量值函数的自动微分的类、方法和函数。它只需要对现有代码进行最小的更改。你只需要声明class:‘Tensor’,它的梯度应该用requires_grad=True关键字计算。NN是PyTorch中的一个神经网络库Optim提供用于函数最小化和最大化的优化算法。Multiprocessing是一个用于在多个张量之间共享内存的有用库。Utils有加载数据的实用函数;它还有其原创 2021-07-30 15:50:07 · 2160 阅读 · 0 评论 -
Pytorch基础知识(14)基于PyTorch的视频分类
到目前为止,我们只处理了图像。我们建立了各种图像分类、检测和分割模型。我们甚至可以凭空生成新的图像(噪音)。但是图像是静止的。静态图像中没有运动。真正的快乐来自运动。这就是视频发挥作用的方式。事实上,视频并不比图像复杂多少。视频实际上是一组连续播放的帧或图像的集合。为了获得流畅的视频,我们需要每秒播放一定数量的帧数;否则,视频看起来脱节。我们日常生活中处理的大多数视频每秒超过30帧。按照这个比例,一个10秒长的短视频相当于300张图片。如此多的图像让事情变得复杂。尽管如此复杂,我们仍有许多应用程序可以原创 2021-07-19 12:39:39 · 7139 阅读 · 12 评论 -
Pytorch基础知识(13)对抗样本
在本章中,我们将介绍对抗样本。对抗样本是一种输入数据,它可以显著地改变模型预测,而不被人眼注意到。由于这一事实,对抗样本可能令人担忧,特别是在安全或医疗保健领域等关键任务中。在开始考虑可能的解决方案之前,了解这些攻击是如何工作的将是有益的。...原创 2021-07-16 11:01:06 · 1047 阅读 · 0 评论 -
Pytorch基础知识(12)GANs生成对抗网络
在PyTorch的神经风格迁移一章中,我们学习了一种通过模仿艺术图像的风格来生成新数据的方法。在本章中,我们将介绍另一种生成新数据的方法,称为生成对抗网络(GANs)。GAN是一个通过学习数据分布来生成新数据的框架。GAN框架由generator和discriminator两个神经网络组成,如下图所示:在图像生成方面,当给定噪声作为输入时,生成器生成假数据,判别器将真实图像与假图像进行分类。在训练过程中,生成器和判别器会相互竞争,结果是他们的工作做得更好。生成器试图生成更好的图像来欺骗判别器,而判别器原创 2021-07-15 18:14:27 · 1172 阅读 · 0 评论 -
Pytorch基础知识(11)神经风格迁移
谁说深度学习只适用于日常任务?利用神经风格迁移,你可以把日常图像转换成艺术杰作。作为一个例子,看看下面的截图:左边的图像使用ErinLoree的风格图像转换后获得右边的图像。在神经风格迁移中,我们分别取一个内容图像和一个风格图像。然后,生成具有内容图像的内容和风格图像的艺术风格的图像。这个算法很容易理解,并且遵循我们在本系列中一直学习的同样的概念,但是有一个附加的转折。我们将在本章看到,通过使用伟大艺术家的杰作作为风格图像,你可以产生非常有趣的图像。在本章中,您将学习使用PyTorch实现神经风格原创 2021-07-15 11:24:02 · 877 阅读 · 0 评论 -
Pytorch基础知识(10)多目标分割
在目标分割任务中,我们的目标是在图像中找到目标物体的边界。图像中目标的分割有很多应用,如自动驾驶汽车和医学图像分析。在单目标分割章节中,我们学习了如何使用PyTorch构建一个单目标分割模型。在本章中,我们将重点关注使用PyTorch开发一个深度学习模型来执行多目标分割。在多目标分割中,我们感兴趣的是自动勾勒出图像中多个目标的边界。图像中物体的边界通常由与图像大小相同的分割掩码来定义。在分割掩码中,根据预先定义的标签,所有属于同一目标的像素被标记为相同的标签。例如,在下面的截图中,你可以看到一个带有两种类原创 2021-07-14 17:02:02 · 3057 阅读 · 1 评论 -
Pytorch基础知识(9)单目标分割
目标分割是在图像中寻找目标物体边界的过程。目标分割有很多应用。例如,通过勾勒医学图像中的解剖对象,临床专家可以了解有关患者病情的有用信息。根据图像中目标的数量,我们可以进行单目标或多目标分割任务。本章将重点介绍使用PyTorch开发一个深度学习模型来执行单目标分割。在单目标分割中,我们感兴趣的是自动勾勒出图像中一个目标物体的边界。对象边界通常由二进制掩码定义。从二进制掩码中,我们可以通过在图像上覆盖一个轮廓,以勾勒出物体的边界。例如,下面的截图描绘了一个胎儿的超声波图像,一个对应于胎儿头部的二进制掩膜,原创 2021-07-13 16:03:58 · 1959 阅读 · 3 评论 -
Pytorch基础知识(8)多目标检测
目标检测是对图像中存在的目标进行定位和分类的过程。识别出的物体在图像中显示为边界框。一般的目标检测有两种方法:基于区域提议的和基于回归/分类的。在本章中,我们将使用一个名为YOLO的基于回归/分类的方法。YOLO-v3是该系列的其中一个版本,在精度方面比以前的(YOLOV1、YOLOV2)版本表现更好。因此,本章将重点介绍使用PyTorch开发的Yolo-v3。在本章中,我们将学习如何实现YOLO-v3算法,并使用PyTorch训练和部署它。我们将介绍以下内容:创建数据集构建YOLOV3模型定义原创 2021-07-12 11:18:50 · 2858 阅读 · 0 评论 -
Pytorch基础知识(7)单目标检测
目标检测是在图像中找到特定目标位置的过程。根据图像中目标的数量,我们可以处理单目标或多目标检测问题。本章将重点介绍使用PyTorch实现单目标检测。在单目标检测中,我们试图在给定的图像中只定位一个目标。对象的位置可以通过边界框定义。我们可以用下面的三种格式的一种来表示一个边界框:[x0, y0, w, h][x0, y0, x1, y1][xc, yc, w, h]其中:x0, y0 表示边界框左上角的坐标x1, y1 表示边界框右下角的坐标w, h 表示边界框的宽度和高度xc, y原创 2021-07-07 15:51:39 · 3552 阅读 · 2 评论 -
Pytorch基础知识(6)图像多类别分类
多类别图像分类一直是深度学习研究的核心。多类图像分类的目标是从一组固定的类别中为图像指定一个标签。在本文中,我们将学习如何创建一个算法来识别STL-10数据集中的10类对象。我们将使用在ImageNet数据集表现SOTA的模型并且在STL-10数据集上微调。本文讲涉及以下内容:导入与与处理数据构建模型定义损失函数定义优化器迁移学习模型部署导入与数据处理我们将使用PyTorch的torchvision包提供的STL-10数据集。类别分别为飞机(0)、鸟(1)、轿车(2)、猫(3)、鹿(原创 2021-07-05 23:06:24 · 4319 阅读 · 5 评论 -
Pytorch基础知识(5)图像二分类
图像分类又叫图像识别,是计算机视觉中的重要任务。在这个人物中,我们假设每张图像只包含一个对象。图像分类分为两种,一种叫二分类,一种叫多分类。我们将覆盖以下内容:探索数据集创建一个数据集划分数据集数据预处理创建数据读取器构建分类模型定义损失函数定义优化器模型训练与评估模型部署在测试集进行模型推理探索数据集数据准备Histopathologic Cancer Detection数据集下载以后,解压到文件夹名为data中。在data文件夹下,有两个文件夹:train和test原创 2021-07-02 16:54:32 · 8672 阅读 · 0 评论