南通投粪车-CSDN博客

原创论文代码解读STPGNN

pgcn类通过在标准图卷积网络的基础上引入个性化参数temp，增强了模型处理时间序列图数据的能力。通过裁剪时间序列的末端，模型可以更好地聚焦于数据中的长期模式，这对于处理具有季节性或周期性特性的数据集尤为重要。这段代码是STPGNN类的初始化方法__init__的一部分，它主要负责构建模型的架构和初始化必要的参数。

2024-06-06 18:30:02 527

h_0 = torch.randn(1, x.size(0), 64) #num_layers * num_directions(单向/双向), bs，hidden_size#c_0 = torch.randn(1, x.size(0), 64) #num_layers * num_directions(单向/双向), bs，hidden_size#如果不传入h0和c0，pytorch会将其初始化为0。

2024-05-31 20:08:33 676

原创第R1周：RNN-心脏病预测

网络定义self.fc1 = nn.Linear(13, 64) # 输入特征数为13，输出特征数为64self.fc2 = nn.Linear(64, 2) # 输出特征数为2，对应2个类别return x# 损失函数和优化器# 记录训练过程中的损失和准确率# 训练模型# 记录训练损失# 计算训练集准确率# 测试模型# 计算测试集准确率这周不做CNN系列了，因为不研究CV方向。

2024-05-24 17:12:27 252 1

原创 DSTET模型代码解读

Transformer network with decoupled spatial–temporal embedding for traffic flow forecasting

2024-05-23 16:48:02 1001 1

原创第J4周：ResNet与DenseNet

训练循环size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签# 计算预测误差pred = model(X) # 网络输出。

2024-05-17 20:58:44 383

原创第J3周：DenseNet算法实战与解析

size = len(dataloader.dataset) # 测试集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)# 当不进行训练时，停止梯度更新，节省计算内存消耗# 计算loss这周学习了DenseNet算法模型，效果相较于上周的ResNet50V2有了显著的提升。

2024-05-03 21:21:04 1012 1

原创第J2周：ResNet50v2算法实战与解析

size = len(dataloader.dataset) # 测试集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)# 当不进行训练时，停止梯度更新，节省计算内存消耗# 计算loss本周手敲了ResNetV2算法，之前的模型框架没有发生改变，只是将模型方法进行了一个优化修改。残差块结构的简化： ResNetV2对残差块（Residual Block）的设计进行了简化。

2024-04-26 19:29:32 571 1

原创第J1周：ResNet-50算法实战与解析

size = len(dataloader.dataset) # 测试集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)# 当不进行训练时，停止梯度更新，节省计算内存消耗# 计算loss。

2024-04-19 13:43:01 703 1

原创第P10周：Pytorch实现车牌识别

本周在模型方面没有什么新的东西，新东西主要是对中文数据的embedding，通过一个交通领域的案例去认识cnn模型，正好与课题组做目标检测的方向是一致的，数据维度方面使用了増维的方式，第一个维度置为-1以自动适应维度大小，在训练营中第一次出现，但在本人交通流预测领域已经十分常见了。

2024-04-12 18:35:46 461

原创第P9周：YOLOv5-Backbone模块实现

本周学习了YOLOv5的backbone模块，backbone模块是CSPDarknet53，它是一种改进的Darknet架构，结合了Cross Stage Partial连接和深度可分离卷积。具有以下特点点CSP结构：CSPDarknet53采用Cross Stage Partial连接结构，将输入特征图分为两部分，一部分直接进行卷积操作，另一部分经过残差连接后再与前一部分相加，这种结构可以有效减少参数量和计算量。

2024-03-29 14:31:29 466 1

原创第P8周YOLOv5-C3模块实现

本周学习了YOLOv5模型的C3模块，由于本人专业研究方向不是这一方向，所以做的时候咨询了同课题组做目标检测的同学。YOLOv5主要由input：输入、Backbone：New CSP-Darknet53、Neck：SPFF和New CSP-PAN、Head(prediction)：Yolov3 head极大模块组成，他的基本原理还是基于CNN的。其中backbone的作用是提取特征的。通过一系列的卷积层和池化层对输入图像进行处理，逐渐降低特征图的尺寸同时增加通道数。

2024-03-22 13:34:10 303 1

原创第P7周：咖啡豆识别（VGG-16复现）

本周学习了VGG-16模型的手动实现，通过动手复现更加理解了该模型的底层原理，也对我的专业方向有了一个新的启发，可以将交通流数据的图看做文章中图片的格式，将其transform，最后的分类问题转换成回归问题。

2024-03-15 11:00:01 337 1

原创第P6周：VGG-16实现人脸识别

1.本周学习了vgg16模型的使用，在模型调用过程中，下载时由于服务器在海外，下载速度仅为3kb/s,因此这里需要使用一些魔法去上网。在学习绿的设置中，如果将初始学习率设置为1e-3，模型效果会有很大的提升，在最开始使用1e-4时，单个图片预测结果并不是安吉丽娜朱莉，调整完成之后才是，并且我使用的环境，需要在程序开头加一行os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"否则在生成图片是jupyter会内核崩溃哦，具体原因不详，也是看过很多博客，一个一个方法试验的。

2024-02-23 15:08:19 838

原创第P5周：运动鞋识别

本周学的新东西在于动态学习率，还对之前的有关CNN的内容重新系统的学习了一遍。有关学习率方面的知识，学习率过大，在算法优化的前期会加速学习，使得模型更容易接近局部或全局最优解。但是在后期会有较大波动，甚至出现损失函数的值围绕最小值徘徊，波动很大，始终难以达到最优。所以引入学习率衰减的概念，直白点说，就是在模型训练初期，会使用较大的学习率进行模型优化，随着迭代次数增加，学习率会逐渐进行减小，保证模型在训练后期不会有太大的波动，从而更加接近最优解。

2024-01-19 21:10:08 759

原创第P4周：猴痘病识别

本周在之前的学习基础上，加入了指定图片的分类，和模型的加载与保存。在torch.unsqueeze(input, dim)函数方面学习以下方面函数调用形式：torch.unsqueeze(input, dim) → Tensor功能：在指定位置 dim 插入一个大小为1的维度dim: 插入维度的位置。dim 范围为：[-input.dim() - 1, input.dim() + 1)。

2024-01-12 17:16:49 733 1

原创第P3周：天气识别

更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。，否则的话，有输入数据，即使不训练，它也会改变权值。

2024-01-05 16:28:20 828 1

原创第P2周：CIFAR10彩色图片识别