- 博客(10)
- 收藏
- 关注
RSS订阅原创 神经网络是怎么运行的？
神经网络是一种由多个神经元以一定的方式联结形成的网络结构，是一种仿照生物神经系统结构和功能的人工智能技术。神经网络通常由输入层输出层和若干个隐藏层组成，每个层包含若干个神经元。神经网络的基本组成单位是神经元，它模拟了生物神经元的行为特征，包括输入信号的接收、加权求和、非线性激活等过程。神经元接收来自前一层神经元的输入信号，将输入信号进行加权求和，并通过激活函数将结果转换为输出信号，并将输出信号传递给下一层神经元。
2024-06-03 17:12:03
1829
原创 第P9周：YOLOv5-Backbone模块实现
K同学啊，本次内容除了网络结构部分外，其余部分均与上周相同。（类似之前介绍过的VGG1-6）。如果效果不错的话，还可以搞一篇期刊文章出来~分享一张我自己绘制的的算法框架图，希望它可以有助于你完成本次探索~
2024-06-03 16:16:55
193
原创 第P8周：YOLOv5-C3模块实现
K同学啊，这里主要让大家先了解C3的结构，方便后续YOLOv5算法的学习。一、 前期准备1. 设置GPU如果设备上支持GPU就使用GPU,否则使用CPU。
2024-06-03 16:11:58
288
原创 第P6周：VGG-16算法-Pytorch实现人脸识别
VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。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。2. 指定图片进行预测。
2024-06-03 14:32:08
524
原创 WEEK5-Pytorch实现运动鞋识别
如果设备上支持GPU就使用GPU,否则使用CPU第一步：使用pathlib.Path()函数将字符串类型的文件夹路径转换为pathlib.Path对象。●第二步：使用glob()方法获取data_dir路径下的所有文件路径，并以列表形式存储在data_paths中。●第三步：通过split()函数对data_paths中的每个文件路径执行分割操作，获得各个文件所属的类别名称，并存储在classeNames中●第四步：打印classeNames列表，显示每个文件所属的类别名称。
2024-06-01 01:40:03
1670
原创 WEEK4-猴痘病识别
通过增加网络的深度和宽度，同时增加了 Dropout 层以减少过拟合：增加了卷积层的数量和输出通道数：使用了 4 层卷积层，通道数逐渐增加，从 32 增加到 256。增加了全连接层的数量：使用了两层全连接层。添加了 Dropout 层：在全连接层之间添加了 Dropout 层，防止过拟合。
2024-05-16 22:03:20
707
原创 WEEK3-Pytorch实现天气识别
跟上一个小结一样，进行了处理，不过这次特殊的是自己导入数据集，出现了一些格式错误，需要在电脑的文件夹中进行调整，另外，对卷积层数的计算也和上一节中的一致。
2024-05-03 21:36:42
661
原创 WEEK2-CIFAR10彩色图片识别
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loss.backward()后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。总结一下，具体来说，loss.backward() 方法会根据当前的损失值（由前向传播计算得到），沿着计算图反向传播，计算损失函数对于模型中每个参数的梯度。
2024-04-24 08:25:46
1670
原创 WEEK1-Pytorch实现mnist手写数字识别
通常情况下，在每个epoch开始时对数据进行洗牌（shuffle）是一个良好的做法，尤其是当训练数据有序排列时，这可以帮助模型更好地学习数据的分布特征，避免模型陷入局部最优点。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。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。
2024-04-15 17:47:12
726
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人