![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
pytorch
文章平均质量分 85
Tooii
这个作者很懒,什么都没留下…
展开
-
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。原创 2024-06-06 15:55:14 · 551 阅读 · 0 评论 -
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。原创 2024-05-08 10:15:30 · 588 阅读 · 0 评论 -
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。原创 2024-03-27 20:56:32 · 455 阅读 · 0 评论 -
【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。原创 2024-03-13 11:12:45 · 339 阅读 · 0 评论 -
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。原创 2024-03-06 00:00:00 · 387 阅读 · 0 评论 -
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。原创 2024-02-22 19:55:19 · 945 阅读 · 1 评论 -
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。原创 2024-01-25 20:08:42 · 784 阅读 · 0 评论 -
实现mnist手写数字识别
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。原创 2024-01-04 10:00:48 · 788 阅读 · 2 评论 -
基于pytorch实现CIFAR10彩色图片识别
通过本次学习,我学会了如何使用PyTorch搭建一个简单的卷积神经网络(CNN)模型,并对CIFAR10数据集进行训练和测试。在构建CNN模型时,我了解了卷积层、池化层、全连接层等的作用和参数设置,以及如何通过PyTorch中的函数来实现这些层。在训练过程中,我学会了设置超参数、编写训练函数和测试函数,并对模型进行了多次训练和测试。最后,我通过结果可视化对模型的训练过程和性能进行了分析和展示。原创 2024-01-12 11:01:53 · 852 阅读 · 0 评论 -
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。原创 2024-01-31 19:25:42 · 919 阅读 · 0 评论 -
基于pytorch的天气识别
本文主要介绍了使用PyTorch构建简单的卷积神经网络(CNN)来进行天气图片的识别。首先对数据集进行了准备,包括设置GPU、导入数据、划分数据集等操作。然后构建了一个简单的CNN网络,包括了特征提取和分类网络。接着设置了超参数,定义了损失函数和优化器,并编写了训练和测试函数。最后进行了模型的训练和结果的可视化。在训练过程中,模型的准确率和损失在不同的训练周期内得到了记录和展示。最终的结果表明,模型在测试集上的准确率达到了89.3%,并且在训练和测试的准确率和损失上都呈现出了较好的趋势。原创 2024-01-17 15:13:59 · 888 阅读 · 0 评论