![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像分类
文章平均质量分 62
诸神黄昏的幸存者
这个作者很懒,什么都没留下…
展开
-
ResNet与Densenet之间的关系以及区别
一、resnet和densenet的之间的关系以及区别,如参数量和训练速度。简单介绍下resnet以及densenetresnet的最大的贡献是缓解深层的神经网络训练中的梯度消失问题,主要是利用shortcut的技术可以加深网络的深度而没有退化。反向传播时,梯度可能会在距离输入近的地方中产生消失的现象,既然离输入近的神经网络层较难训练,则可以将它短接到更加靠近输出的地方。因为直接映射是难以学习的,而ReseNet学习的是残差,这是更容易学习的。shortcut的设计是将模块的输入和输出连接在一起,然原创 2022-04-30 20:36:55 · 5760 阅读 · 0 评论 -
常见的图像分类指标(二分类以及多分类)
一、混淆矩阵TP、True Positive 真阳性:预测为正,实际为正FP、False Positive 假阳性:预测为正,实际为负FN、False Negative 假阴性:预测与负、实际为正TN、True Negative 真阴性:预测为负、实际为负。T、F代表的是预测的准确与否;P、N代表的是预测的阳性以及阴性。预测为正样本(Positive)预测为负样本(Negative)标签为正样本TP (True Positive)FN (false Negative)原创 2021-07-31 21:13:59 · 6397 阅读 · 2 评论 -
利用python绘制混淆矩阵
利用python绘制混淆矩阵,直接附代码。from sklearn.metrics import confusion_matriximport pandas as pdimport matplotlib.pyplot as plty_pred = []y_true = []# 对上面进行赋值C=confusion_matrix(y_true, y_pred, labels=['0','1','2','3','4'])plt.matshow(C, cmap=plt.cm.Reds) #原创 2021-11-13 20:38:19 · 55870 阅读 · 35 评论 -
图像分类超详细的pytorch实现
1、定义各种参数下面举例三种常见的参数batch_size = 8 learning_rate = 1e-4 epoches = 100 2、利用官方的数据加载指定训练、验证以及测试的文件夹的路径,其下一个目录的各个文件夹视为各个类别。下一个目录为了方便简单可以直接命名为0、1、2等。到时就可以对应0、1、2等类别。也可以按本身类别作为文件名,可能需要调试注意一下对应的类别0、1、2等。如:0、1、2文件夹里放置对应类别的图像即可。主要调用的是torchvision.dataset原创 2021-08-21 20:07:37 · 9091 阅读 · 9 评论 -
理解Resnet18的18的含义
18 = 17(卷积层)+ 1(全连接)18主要指的是带有权重的,包括卷积层和全连接层,不包括池化层和BN层。import torchvisionmodel = torchvision.models.resnet18(pretrained=False)print(model)具体网络结构可参考:细节如下:ResNet( (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=Fals原创 2021-08-19 16:16:27 · 4261 阅读 · 0 评论