weixin_44587732的博客

因为ids_shuffle的值记录的是随机创建的X_采样子序列中每个位置的元素对应原X序列的位置，ids_restore获取的过程可以分为两步理解：（1），对ids_shuffle的值从小到大排序，即原始序列X从0-N的排序，就是X的原始序列位置。例如这里我的X[0]在ids_shuffle中的位置为1， X[1]在ids_shuffle中的位置为0, X[2]的位置为2 ，X[3]的位置为4，X[4]的位置为3.ids_restore：[1,0,2,4,3]比如我抽取 X[3] X[0] X[4]

记录自己在torch中遇到的一些bug这么写会导致默认的cuda:0中一直被占用内存FloatTensor = torch.cuda.FloatTensor if x.is_cuda else torch.FloatTensorLongTensor = torch.cuda.LongTensor if x.is_cuda else torch.LongTensoranchor_w = FloatTensor(scaled_anchors_l).index_select(1, LongTen

常用torch,np语法一、torch二、np1.np.concatenate: 作用是将()中多个np.array进行连接#这一段代码是计算ap的mrec = np.concatenate(([0.0], rec, [1.0]))mpre = np.concatenate(([0.0], prec, [0.0]))#例：a = np.array([0.1,0.3,0.5])x = np.concatenate(([[0],a,[0]]))print(x)>>>[0.

一、dataloder部分数据的输入是图片加上图片对应的targets，这个targets是一张图片中所拥有的全部真实框的中心位置x,y和宽高w,h和类别，共5个参数。如一张图片有3个框，那么这张图片的输入就是img ,target :（3, 5(x,y,w,h,class)） 这里x,y w ,h都是归一化之后的。注意：这里有一个问题，如果一个batch_size中有多张图片，每个图片的框的数目不一致，那么这个targets的size是什么样的呢？代码中的处理是将target放入一个列表中，通过

直接使用下面的语句会报错：‘Tensor’ object has no attribute ‘bool’a = torch.ones(2,2)a.bool()应该改成：a = torch.ones(2,2)a.byte()

python opencv中resize如何写尺寸？注意：1.我们使用opencv重新给图片设置尺寸时的书写方法：先写长，后写高2.这和我们打印图片尺寸不一样， print(img.shape)这个展示出来的是先高h，后长w。import cv2 as cvimg= cv.resize(img,(w,h))...

pytorch 网络结构的命名问题1.一般情况下是根据我们创建的类的self.XXX命名的。如： # Modulesself.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False) 此时我们的网络层就会有一个： conv1.weight的命名2.当我们使用了for循环来创建网络层时，torch的命名会按照in

2_finetune.py# coding: utf-8import torchfrom torch.utils.data import DataLoaderimport torchvision.transforms as transformsimport numpy as npimport osfrom torch.autograd import Variableimport torch.nn as nnimport torch.nn.functional as Fimport to

Cifar10数据的归一化# coding: utf-8import numpy as npimport cv2import randomimport os""" 随机挑选CNum张图片，进行按通道计算均值mean和标准差std 先将像素从0～255归一化至 0-1 再计算"""train_txt_path = os.path.join("..", "..", "Data/train.txt")CNum = 2000 # 挑选多少图片进行计算img_h

Cifar10数据处理4 datasets# coding: utf-8from PIL import Imagefrom torch.utils.data import Datasetclass MyDataset(Dataset): def __init__(self, txt_path, transform=None, target_transform=None): fh = open(txt_path, 'r') imgs = []

Cifar10数据处理3# coding:utf-8import os''' 为数据集生成对应的txt文件'''train_txt_path = os.path.join("..", "..", "Data", "train.txt")train_dir = os.path.join("..", "..", "Data", "train")valid_txt_path = os.path.join("..", "..", "Data", "valid.txt")valid_dir

将原始数据集进行划分成训练集、验证集和测试集# coding: utf-8""" 将原始数据集进行划分成训练集、验证集和测试集"""import osimport globimport randomimport shutildataset_dir = os.path.join("..", "..", "Data", "cifar-10-png", "raw_test")train_dir = os.path.join("..", "..", "Data", "train")v

将cifar10的数据 转换成 png格式的图片# coding:utf-8""" 将cifar10的data_batch_12345 转换成 png格式的图片 每个类别单独存放在一个文件夹，文件夹名称为0-9"""from imageio import imwriteimport numpy as npimport osimport pickledata_dir = os.path.join("..", "..", "Data", "cifar-10-batches-p

pytorch中torchvision.transforms的一些理解1.这个库里面主要是包含了一些图像处理的函数，也就是说使用.transforms的地方同样可以用其他图像库进行处理，例如opencv。2.这个库一般只用于和torchvision.datasets一起使用的时候，其他的一般自己弄就行了。test_loader = torch.utils.data.DataLoader( datasets.MNIST('data', train=False, transform=tra

pytorch中 torch.nn的介绍一、torch.nn是什么？torch.nn是pytorch中自带的一个函数库，里面包含了神经网络中使用的一些常用函数，如具有可学习参数的nn.Conv2d(),nn.Linear()和不具有可学习的参数(如ReLU，pool，DropOut等)，这些函数可以放在构造函数中，也可以不放。二、torch.nn的应用。通常引入的时候写成：import torch.nnimport torch.nn.functional as F这里我们把函数写在了构造函数中

pytorch中torch.optim的介绍这是torch自带的一个优化器，里面自带了求导，更新等操作。开门见山直接讲怎么使用：常用的引入：import torch.optim as optim#使用：#创建一个优化器优化方式可以是SGD等，这里写的是Adamoptimizer = optim.Adam(model.parameters())#这期间需要自己选定损失函数并且向前传播完成def train(model, device, train_loader, optimizer, ep

@TOC一、求导在pytorch中有自动求导功能，张量tensor中有一个参数requires_grad，当我们创建一个tensor时设置其为True时即标记为自动求导，此时这个张量参与的运算会被跟踪记录，其默认值是false需要注意的是，这个requires_grad是具有传递性的，用图和代码举个例子：再用代码演示一次：x = torch.ones(2,2,requires_grad=True) #requires_grad默认是falsey = torch.ones(2,2)z = to