![](https://img-blog.csdnimg.cn/672ac007f08a4278ba58007c29912883.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习
文章平均质量分 79
.
liu_jie_bin
技术栈: c++ pyhton Qt opencv halcon
展开
-
Pytorch安装及环境配置详细教程(CUDA版本)
Pytorch(cuda版本)安装,踩坑总结,亲测有效原创 2023-02-01 22:06:50 · 8458 阅读 · 2 评论 -
Pytorch 基于经典模型LeNet-5训练MNIST数据集手写数字
LeNet-5官网链接卷积神经网络是一种特殊的多层神经网络。与几乎所有其他神经网络一样,它们使用反向传播算法版本进行训练。它们的不同之处在于架构。卷积神经网络旨在通过最少的预处理直接从像素图像中识别视觉模式。他们可以识别具有极大可变性的模式(例如手写字符),并且对扭曲和简单的几何变换具有鲁棒性。...原创 2022-04-26 21:28:12 · 3532 阅读 · 0 评论 -
Pytorch学习(六)构建神经网络
文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言通常,一个典型的神经网络训练过程包括以下几点:1.定义一个包含可训练参数的神经网络2.迭代整个输入3.通过神经网络处理输入4.计算损失(loss)5.反向传播梯度到神经网络的参数6.更新网络的参数,典型的用一个简单的更新方法:weight = weight - learning_rate *gradient定义神经网络本章将讲解定义一个神经一个简单的神经网络。一、pandas是什么?示例:pandas 是基原创 2022-04-08 23:06:05 · 895 阅读 · 0 评论 -
Pytorch学习(五)ReLu激活函数
文章目录概念函数原型参数说明代码示例概念PyTorch实现了常见的激活函数,ReLu为最常用激活函数,其原理就是将小于零的数值截至为0;其数学表达式为:函数原型torch.nn.ReLU(inplace=False)参数说明inplace参数如果设为True,它会把输出直接覆盖到输入中,这样可以节省内存/显存。代码示例input = torch.tensor([ [-5,-3,4,5], [3,2,-3,1], [4,-3,4,2]], dtype=torc原创 2022-04-07 21:54:11 · 4583 阅读 · 0 评论 -
Pytorch学习(四)MaxPool最大池化
文章目录前言一维池化函数原型参数说明代码示例二维池化函数原型参数说明代码示例前言例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。一维池化函数原型torch.nn.MaxPool1d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)如果输入大小为(N,C,Lin) ,则输出(N,C,Lout)计算公式原创 2022-04-04 22:23:59 · 8346 阅读 · 0 评论 -
Pytorch学习(一)Tensor(张量)
构造一个5x3未初始化的矩阵x = torch.empty(5, 3)print(x)打印输出:tensor([[0., 0., 0.],[0., 0., 0.],[0., 0., 0.],[0., 0., 0.],[0., 0., 0.]])构造一个5x3随机初始化的矩阵x = torch.empty(5, 3)print(x)打印输出:tensor([[0.1018, 0.3758, 0.2924],[0.5437, 0.9374, 0.3051],[0.6789, 0原创 2022-03-24 23:39:02 · 745 阅读 · 0 评论 -
Pytorch学习(二)Conv2d卷积
函数功能为在由多个输入平面组成的输入信号上应用二维卷积。https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d函数原型torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None原创 2022-03-25 20:57:40 · 5423 阅读 · 0 评论 -
Pytorch学习(三)Linear层
文章目录前言函数原型参数说明示例前言在讲Linear线性变换之前,先来看一个矩阵变换的例子from __future__ import print_functionimport torchin_features = torch.tensor([2,2,2,2], dtype=torch.double)weight_matrix = torch.tensor([ [5,5,5,5], [3,3,3,3], [4,4,4,4]], dtype=torch.double)原创 2022-04-02 00:09:50 · 6427 阅读 · 0 评论 -
OCR识别——百度飞桨PaddleOCR测试及环境搭建详解
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录PaddleOCR 概述环境准备前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结PaddleOCR 概述PaddleOCR 包含富文本检测、文本识别和端到端算法。结合现实场景和行业经验,PaddleOCR 选择 DB 和 CRNN 作为基本检测识别模型,经过一系列优化策略,提出了一系列模型,命名为 PP-OCR,用于工业应用。PP-OCR模型针对一般场景,形成不同语言的模型库。基于 PP-OCR 的能力,Pa.原创 2022-03-16 21:20:09 · 15290 阅读 · 4 评论 -
图像分类OpenCV dnn模块部署.onnx模型
最好的部分是支持从不同框架加载不同模型,我们可以使用这些模型执行多种深度学习功能。penCV DNN 模块仅支持图像和视频的深度学习推理。它不支持微调和训练。OpenCV DNN 模块的优点之一是它针对英特尔处理器进行了高度优化。在对实时视频进行推理以进行对象检测和图像分割应用程序时,我们可以获得良好的 FPS。有趣的是,我们能想到的大部分深度学习和计算机视觉任务都得到了支持。以下列表将使我们对这些功能有一个很好的了解。图像分类。物体检测。图像分割。文本检测和识别。姿势估计。深度估计。人和人原创 2022-03-06 00:29:22 · 6484 阅读 · 6 评论 -
YOLOV5训练自定义数据集(PyCharm超详细版)
文章目录环境准备一、制作自己的数据集1.标注图片2.分配训练数据集和测试集二、配置文件1.配置数据集的配置文件2.配置模型文件3.下载权重文件三、训练模型四、推理模型环境准备克隆YoLov5工程代码,仓库地址:https://github.com/ultralytics/yolov5git克隆可能会失败,所以直接点击DownLoad Zip下载。zip文件解压后,通过cmd终端,切换到requirements.txt路径,通过pip install -r requirements.txt命令安装.原创 2021-10-30 11:38:52 · 6959 阅读 · 1 评论