基于pytorch的深度学习基础案例
文章平均质量分 95
羊小猪~~
探索C/C++,ai算法,go的世界,在迷茫中寻找“光芒”
展开
-
深度学习基础案例4--构建CNN卷积神经网络实现对猴痘病的识别(测试集准确率86.5%)
卷积层:对特征进行提取,影响因素主要有:通道大小的变化,卷积核大小、卷积步伐大小,填充值等,通道大小和卷积核大小对特征提取上影响很大,卷积核小,通道变大,计算就会变得复杂,当然对特征的提取也更多池化层:用于降维,卷积层数据提取完毕后,减少维度,可以更好的挖掘数据关系全连接:将维度全部进行展开,然后进行降维需要积累不同卷积模型,才能很好的提升精度理想状态下准确率:训练集准确率逐步提高,测试集也是,并且训练集准确率和测试集的相近损失率:训练集损失率降低,测试集也是,并且训练集损失率和测试集的相近。原创 2024-09-01 17:39:12 · 1449 阅读 · 0 评论 -
深度学习基础案例3--构建CNN卷积神经网络实现对不同天气的识别(测试集准确率百分之90+)
pathlib.Path(): 将文件转化成 pathlib 对象data_dir.glob(‘*’):显示 data_dir 目录下所有的文件[str(name).split(“\”)[1] for name in data_paths] 列表推导式# 显示一部分图片from PIL import Image # PIL 下的图像处理中的 Image库# 指定图片路径# 遍历所有文件# 创建子图。原创 2024-08-15 20:31:53 · 777 阅读 · 0 评论 -
深度学习基础案例2--从0到1构建CNN卷积神经网络(以识别CIFR10为例)
函数原型:输入通道数:输出通道数:卷积层大小stride:卷积步伐大小padding:添加到输入的所有四个边的填充。默认值:0dilation:扩张操作,控制kernel点(卷积核点)的间距,默认值:1。groups:将输入通道分组成多个子组,每个子组使用一组卷积核来处理。默认值为 1,表示不进行分组卷积。:‘zeros’, ‘reflect’, ‘replicate’或’circular’. 默认:‘zeros’卷积维度的计算卷积输出维度计算公式如下:输入图片矩阵大小:w * w。原创 2024-08-09 18:05:32 · 801 阅读 · 0 评论 -
深度学习基础案例1--CNN卷积神经网络实现MNIST数字识别
了解深度学习的构建流程:设置环境—>导入数据—>选择和构建神经网络—>编写模型训练和测试函数—>模型训练与评估—>模型结果可视化分析。了解pytorch的使用初步了解CNN神经网络的结构,主要包含卷积层、池化层、全连接层:导入数据:动态加载数据:数据维度缩减nn.Conv2d,构造卷积层,构造池化层F.relu,激活函数nn.Linear,全连接层,创建损失函数,初始化梯度下降loss_fn来计算预测值和实际值的损失反向传播,来自动计算损失关于模型参数的梯度。原创 2024-08-02 16:14:24 · 881 阅读 · 0 评论