- 博客(28)
- 资源 (1)
- 收藏
- 关注
原创 吴恩达机器学习课后作业——异常检测和推荐系统(协同过滤算法)
本章为吴恩达机器学习课后作业解析,主要内容包括异常检测和推荐系统(协调过滤算法),内附数据及代码
2022-08-09 01:02:39 708 1
原创 吴恩达机器学习课后作业——K-means 和PCA(主成分分析)
本章为吴恩达机器学习课后作业解析,主要内容包括实现Kmeans聚类和PCA(主成分分析),内附数据及代码
2022-08-08 20:31:01 1297
原创 吴恩达机器学习课后作业——SVM支持向量机
本章为吴恩达机器学习课后作业解析,主要内容包括使用支持向量机(SVM)来构建垃圾邮件分类器以及如何在支持向量机中使用高斯核。
2022-08-07 17:50:47 1578
原创 吴恩达机器学习课后作业——偏差和方差
本章为吴恩达机器学习课后作业解析,主要内容包括实现正则化线性回归,使用其来研究具有不同偏差-方差属性的模型,内附数据及代码
2022-08-07 01:01:34 692
原创 完整的模型验证套路
在网络上下载图片,然后使用训练好的模型进行测试,查看预测结果。文中所有模型(test_1.pth)为前文保存的网络模型import torchimport torchvisionfrom PIL import Imagefrom torch import nnimage_path = "dog.png"image = Image.open(image_path)print(image)transform = torchvision.transforms.Compose([torchv
2022-05-24 23:30:05 349
原创 利用GPU训练
torch.cuda:该包增加了对CUDA张量类型的支持,实现了与CPU张量相同的功能,但使用GPU进行计算。它是延迟的初始化,所以你可以随时导入它,并使用is_available()来确定系统是否支持CUDA。使用GPU训练:import torchimport torchvisionfrom torch.utils.tensorboard import SummaryWriterfrom torch import nnfrom torch.utils.data import DataLo
2022-05-24 23:03:31 1289 2
原创 完整的模型训练套路
train.pyimport torchimport torchvisionfrom torch.utils.tensorboard import SummaryWriterfrom model import *from torch import nnfrom torch.utils.data import DataLoader#准备数据集train_data = torchvision.datasets.CIFAR10(root="../data", train=True, trans
2022-05-24 16:50:23 125
原创 网络模型的保存与读取
网络模型的保存与读取主要是有两种方式一:保存网络模型的结构二:获取网络模型的状态并将其网络模型中的参数保存为字典方式一:保存模型:import torchimport torchvision#使用原始数据vgg16 = torchvision.models.vgg16(pretrained=False)#保存方式1#保存网络模型的结构#模型结构 + 模型参数torch.save(vgg16, "vgg16_method1.pth")加载模型:import torch#保
2022-05-23 19:03:29 357
原创 深度学习--优化器
优化器:管理并更新模型中可学习参数的值,使得模型输出更接近真实标签。SGD(随机梯度下降):基本思想是通过梯度下降法,使得网络参数不断收敛到全局(或者局部)最小值,但是由于神经网络层数太多,需要通过反向传播算法,把误差一层一层地从输出传播到输入,逐层地更新网络参数。由于梯度方向是函数值变大的最快的方向,因此负梯度方向则是函数值变小的最快的方向。沿着负梯度方向一步一步迭代,便能快速地收敛到函数最小值。torch.optim.SGD(params, lr, momentum=0, dampening=0,w
2022-05-17 17:41:19 425
原创 损失函数与反向传播
损失函数Loss Functions:来计算搭建模型预测的输出值和真实值之间的误差1、实际计算输出和目标之间的差距2、为我们更新输出提供一定的依据(反向传播)3、损失函数越小越好import torchfrom torch.nn import L1Lossfrom torch import nn#[1,2,3]是实际的数据inputs = torch.tensor([1, 2, 3], dtype=torch.float32)targets = torch.tensor([1, 2,
2022-05-09 22:40:17 2988
原创 神经网络--搭建小实战和Seq的使用
搭建神经网络演示下图处理过程计算padding需要使用的公式import torchfrom torch import nnfrom torch.nn import Conv2d, MaxPool2d, Linearfrom torch.nn.modules.flatten import Flattenclass Test(nn.Module): def __init__(self): super(Test, self).__init__()
2022-05-07 23:40:57 125
原创 神经网络--线性层
线性层线性层:每个神经元与上一层所有神经元相连 torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None) in_features:输入x样本特征大小 out_features:输出x样本特征大小 bias:False:图层不会学习附加偏差 True:增加学习偏置 默认True 实现输入尺寸的重塑造,也就是将输入矩阵拉直的两种方法: torch.reshape() torch.flatte
2022-05-05 23:15:28 1200
原创 神经网络--非线性激活
非线性变换的主要目的就是给网中加入一些非线性特征非线性变化基本操作:在进行网络初始化时,发现ReLU有一个参数inplace:#inplace:True:input进行替换 False:input不变,返回一个outputinput = -1ReLU(input, inplace=True)input = 0input = -1output = ReLU(input, inplace = False)input = -1output = 0import torchfrom tor
2022-05-05 21:35:55 179
原创 神经网络--最大池化的使用
MaxPool2dMaxPool2d:在由多个输入平面组成的输入信号上应用 2D 最大池化最大池化后数据量大大减少,训练速度增加代码实战:import torchfrom torch import nnfrom torch.nn import MaxPool2d#将列表数据转换为浮点型input = torch.tensor([[1, 2, 0, 3, 1], [0, 1, 2, 3, 1], [1, 2
2022-05-05 16:44:13 413
原创 神经网络--卷积层
卷积操作torch.nn.functional.conv2d():对由多个输入平面组成的输入信号进行二维卷积stride:滑动步长padding:对矩阵边缘进行填充import torchimport torch.nn.functional as F#输入图像5×5input = torch.tensor([[1, 2, 0, 3, 1], [0, 1, 2, 3, 1], [1, 2, 1, 0, 0],
2022-05-04 23:22:23 669
原创 神经网络的基本骨架--nn.Module的使用
在pytorch框架下搭建神经网络1、自定义一个类并且继承Module类2、在__init__中实现层的参数初始化3、在forword()里实现向前运算import torchfrom torch import nnclass Test(nn.Module): #构造函数,调用父类的构造函数 def __init__(self): super().__init__() #在向前传播函数里实现向前运输 def forward(self, inp
2022-05-03 17:08:26 904
原创 pytorch加载数据类(Dataset类,Dataloader类)
Dataset函数Dataset函数:提供一种方法去获取数据及其label具体功能:1、如何获取每一个数据及其label2、告诉我们总共有多少的数据Dataloader函数Dataloader函数:为后面的网络提供不同的数据形式...
2022-05-02 18:06:01 781
原创 torchvision中的数据集使用
一、datasets数据集的使用torchvision中的datasets含有很多数据集,可以用来生成图片,视频数据集,和一些流行的模型类和预训练模型1、CIFAR10数据集先下载该数据集import torchvisionfrom torch.utils.tensorboard import SummaryWriter#root:数据所在位置#train:True为训练集,False为测试集#transform:对数据集的变动#download:True为自动下载train_set
2022-05-02 13:05:36 1115 1
原创 Transforms的使用
一、transforms的结构及用法transform主要是对特定格式的图片进行一些变化1、transforms在python中如何使用先查看当前图片的类型from torch.utils.tensorboard import SummaryWriterfrom torchvision import transformsfrom PIL import Imageimport cv2#获取相对地址img_path = "train/ants_image/0013035.jpg"#ToT
2022-04-30 23:18:37 1493
原创 TensorBoard的使用
一、TensorBoard的安装进入anaconda prompt命令行,激活pytorch,下载TensorBoardconda activate pytorchpip install tensorboard二、代码实例1、绘制一个y=x图像from torch.utils.tensorboard import SummaryWriter# 实例化writer,将tensorboard文件存放到logs中writer = SummaryWriter("logs")# 添加标量#
2022-04-28 21:27:54 310
原创 python的两大法宝函数(dir(),help())
dir()函数dir()函数能让我们知道工具箱以及工具箱中的分隔区有什么东西在pycharm的python console中输入:dir(torch),查看torch库中的分隔区再输入:dir(torch.cuda),查看cuda中的分隔区再输入:dir(torch.cuda.is_available),此时输出的函数格式为双下划线加函数名,这表明此时输出的为函数,而不是分隔区,不能继续分割,此时可使用help()方法查看函数的使用方法help()函数help()函数,能让我们知道每个工具是如
2022-04-25 10:45:25 2165
原创 pycharm创建pytorch项目配置及安装jupyter注意事项
pycharm创建pytorch项目注意事项python选择anaconda的pytorch下的python创建完项目后打开python console导入import并检测是否可以调用GPUanaconda安装jupyter在anaconda prompt中进入pytorch虚拟环境下载nb_conda,然后输入jupyter notebook进入网页jupyter,点击new找到自己创建的虚拟环境,点击进入后导入torch测试torch.cuda.is_available()是否为true
2022-04-25 10:14:56 3356
原创 PyTorch环境的配置及安装
一、PyTorch环境的配置一、安装anacondaanaconda安装地址:www.anaconda.com由于我的python使用的python3.6版本所以下载对应的anaconda版本anaconda历史收录版本:repo.anaconda.com/archive/这里选择的是anaconda3-5.2.0版本安装完成后测试是否安装成功点开anaconda prompt查看命令行中有无(base)检查显卡的驱动是否正确安装在任务管理器中点击性能,查看GPU是否能正常显示型号
2022-04-24 21:00:20 864
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人