Tooii-CSDN博客

原创 DenseNet算法实现乳腺癌识别

通过此次乳腺癌图像分类的实验，我从数据准备、模型搭建、训练与测试等方面系统地学习了如何利用深度学习技术构建一个有效的图像分类模型。使用了DenseNet架构，其密集连接特性有助于梯度的流动，缓解了梯度消失问题，同时提升了模型的特征提取能力。最终，我通过调整超参数、优化训练策略和评估模型性能，成功实现了对乳腺癌图像的高效分类。通过可视化训练过程中的损失和准确率变化曲线，能够直观地观察到模型的训练效果与收敛情况。

2024-07-11 20:21:53 694

原创 ResNet50V2

ResNetV2和ResNetV1都是深度残差网络（ResNet）的变体，它们的主要区别在于残差块的设计和批归一化（Batch Normalization, BN）的使用方式。ResNetV2是在ResNetV1的基础上进行改进的一种版本，旨在提高模型的性能和稳定性。在ResNetV1中，批归一化层位于每个卷积层的后面，ReLU 激活函数在批归一化之后。在ResNetV2中，批归一化和 ReLU 激活函数在每个卷积层之前进行。这种改变使得信息在模型中传播得更加顺畅，减轻了梯度消失的问题。

2024-07-03 20:01:22 795

原创 ResNet-50算法

残差网络是为了解决深度神经网络（DNN）训练过程中梯度消失和梯度爆炸的问题而提出的。它通过引入残差连接，将输入直接加到输出上，从而允许网络学习更复杂的函数。ResNet-50有两个基本的块，分别名为Conv Block和。

2024-06-27 16:15:12 1034

原创基于pytorch的车牌识别

在本项目中，我构建了一个基于深度学习的车牌识别系统。通过导入必要的库、获取类别名、数据可视化、标签数字化、加载数据文件、划分数据集、创建自定义数据集类、定义网络结构、设置优化器与损失函数、进行模型训练和测试，以及绘制训练过程中的损失曲线，我们对整个流程进行了详细的实践和分析。模型训练结果显示，随着训练的进行，损失逐渐减小，表明模型正在学习并逐渐优化。

2024-06-06 15:55:14 536

原创基于tensorflow的咖啡豆识别

在本次咖啡豆识别项目中，我们通过设置GPU、导入并预处理数据、构建深度学习模型，以及对模型进行训练和评估，实现了对咖啡豆图像的自动识别。整个过程涵盖了数据加载与可视化、数据集配置、模型构建与优化等关键步骤，最终显著提升了图像分类的准确性，同时也加深了我们对深度学习技术的实践理解。关于卷积的相关知识可以参考文章：https://mtyjkh.blog.csdn.net/article/details/114278995。在准备对模型进行训练之前，还需要再对其进行一些设置。方法将磁盘中的数据加载到。

2024-05-28 09:34:25 1582 2

原创基于tensorflow的猫狗识别

通过本次实践，我对使用TensorFlow进行深度学习图像分类任务有了更深入的理解。从设置GPU资源、导入和预处理数据，到构建、训练和评估VGG-16网络模型，整个过程让我对深度学习的工作流程有了更加清晰的认识。在准备对模型进行训练之前，还需要再对其进行一些设置。方法将磁盘中的数据加载到。

2024-05-22 10:46:36 479

原创基于tensorflow的好莱坞明星识别

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。我学会了如何高效利用GPU资源，掌握了数据集的加载和预处理技巧，以及如何通过调整卷积神经网络的结构和参数来提升模型性能。关于EarlyStopping()的详细介绍可参考文章：https://blog.csdn.net/qq_38251616/article/details/122319538。：损失函数的计算方式。

2024-05-08 10:15:30 582

原创基于tensorflow的运动鞋品牌识别

在完成运动鞋品牌识别数据集的项目过程中，我获得了宝贵的实践经验和深刻的认识。首先，我学习了如何使用TensorFlow和Keras框架进行深度学习模型的构建和训练，包括设置GPU、导入和预处理数据、构建卷积神经网络(CNN)、配置动态学习率以及模型训练和评估的整个流程。最后，通过绘制训练和验证的损失与准确率图表，我学会了如何直观地评估模型的表现，并根据这些图表对模型进行进一步的调整和优化。整个项目不仅加深了我对深度学习理论的理解，也锻炼了我的实践技能，为我日后在人工智能领域的研究和工作打下了坚实的基础。

2024-05-01 20:06:17 1048

原创基于tensorflow的猴痘病识别

通过学习不仅加深了对深度学习中图像识别任务的理解，而且通过实践掌握了如何使用TensorFlow和Keras框架来构建和训练CNN模型。此外，对于数据预处理、模型调参、以及模型评估等关键步骤有了更深入的认识，这些经验对于未来解决类似问题具有重要的参考价值。当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。

2024-04-25 21:43:23 973

原创基于tensorflow的天气识别

卷积神经网络（CNN）的输入是张量 (Tensor) 形式的 (image_height, image_width, color_channels)，包含了图像高度、宽度及颜色信息。通过学习构建卷积神经网络（CNN）进行图像分类任务的流程，包括数据预处理与加载、模型编译与训练、以及模型评估与可视化，我深入理解了CNN的架构和工作原理。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。

2024-04-17 11:58:43 838

原创基于tensorflow的彩色图片分类

完成这个项目后，我对使用 TensorFlow 构建卷积神经网络（CNN）进行图像分类有了更深入的理解。通过设置GPU、导入数据、进行数据预处理、构建模型、编译并训练模型，以及对模型进行评估，我学会了整个深度学习模型的开发流程。通过这个实践，我不仅掌握了构建和训练CNN模型的技能，还对图像处理问题有了更深入的认识，这为我未来处理更复杂的图像任务奠定了基础。

2024-04-10 15:49:20 321 1

原创基于tensorflow实现mnist手写数字识别

MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。数据集中的数字图片是由250个不同职业的人纯手写绘制，数据集获取的网址为：http://yann.lecun.com/exdb/mnist/（下载后需解压）。我们一般会采用这行代码直接调用，这样就比较简单MNIST手写数字数据集中包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28，数据集样本如下：如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784。

2024-04-03 14:56:34 705 1

原创 YOLOv5-Backbone模块实现

本次实验中实现了一个简化版的YOLOv5主干网络，通过对天气识别数据集进行训练和评估，得到了在测试集上表现最好的模型。训练过程中使用了交叉熵损失函数和Adam优化器，记录了训练和测试过程中的准确率和损失值，并使用matplotlib进行了可视化展示。最终评估结果显示，该模型在测试集上取得了较好的性能表现。

2024-03-27 20:56:32 445

原创【无标题】YOLOv5-C3模块实现

我深入探索了YOLOv5-C3模块的构建、训练和评估流程，掌握了如何定义模型结构、损失函数和优化器，以及如何利用训练集和测试集对模型进行训练和评估。测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器。

2024-03-13 11:12:45 332

原创 VGG-16实现咖啡豆识别

完成这个深度学习项目使我对整个项目流程有了更清晰的认识，掌握了使用PyTorch构建VGG-16模型、训练和评估模型的基本方法。通过可视化结果和对单张图片的预测，展示了模型的训练和预测效果。在解决数据准备、模型构建和训练调优等问题的过程中，提升了自己的问题解决能力。这个项目为我在深度学习领域的进一步学习和实践奠定了良好的基础。测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器。

2024-03-06 00:00:00 381

原创 VGG-16算法实现人脸识别

更多的官方动态学习率设置方式可参考：https://pytorch.org/docs/stable/optim.html。通过transforms对数据进行增强，使准确度提高到33.4%包含了16个隐藏层（13个卷积层和3个全连接层），故称为。包含了16个隐藏层（13个卷积层和3个全连接层），故称为。二、调用官方的VGG-16模型。训练营往期文章中有详细的介绍。

2024-02-22 19:55:19 930 1

原创基于pytorch的运动鞋品牌识别

在训练过程中，我还使用了动态学习率的方法，通过调整学习率来优化模型训练过程。最后，我展示了训练过程中的损失和准确率的变化情况，并对模型进行了保存和加载，以便后续的使用。通过这个项目，我深入了解了深度学习模型的训练流程，包括数据准备、模型构建、训练和评估，以及模型的保存和加载。同时，动态学习率的应用也丰富了我的训练优化方法的知识储备。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。根据给定的函数动态调整学习率。

2024-01-31 19:25:42 909

原创基于pytorch的猴痘病识别

这个项目涵盖了深度学习项目的多个关键步骤，包括数据处理、模型构建、训练、可视化和保存模型等。通过完成这个项目，你可能学到了如何处理图像数据、构建简单的CNN模型以及如何训练和评估模型的基本知识。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。测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器。对数据的维度进行扩展，在指定的维度上添加维数为1的维度。对数据的维度进行压缩，去掉维数为1的的维度。

2024-01-25 20:08:42 779

weixin_53657683的博客