pytorch深度学习
文章平均质量分 77
盏云
这个作者很懒,什么都没留下…
展开
-
【ubantu】服务器深度学习配置记录
(base) lizhe-427@ser427:~/下载/pycharm-community-2022.2.3/bin$ sudo sh pycharm.sh。进入到/home/lizhe-427/下载/pycharm-community-2022.2.3/bin。3.启动pycharm报错。原创 2022-10-19 09:21:05 · 569 阅读 · 1 评论 -
深度学习:GCN图分类案例
这里写目录标题数据集数据集参考:DGL官方教程-图分类原创 2021-11-10 20:44:09 · 3144 阅读 · 0 评论 -
深度学习:STGCN学习笔记
目录标题基于图神经网络的图分类问题GCN在行为识别领域的应用主要任务研究思路ST-GCN(SpatialTemporal Graph Convolutional Networks for Skeleton-Based Action Recognition)解读原论文解决问题主要贡献核心思想简介OpenPose 预处理基于人体关键点构造graph构造单帧graph(空间域)构造帧间graph(时间域)ST-GCN模型采样函数权重函数空域图卷积空间-时间模型分区策略可学习的边重要性权重TCNST-GCN模型的实原创 2021-11-10 19:47:46 · 27833 阅读 · 8 评论 -
深度学习:GAT
这里写目录标题来源:对于GCN的改进注意力机制GCN局限区别目的GAT特点基本思想模型比较周三上午:gat理论写完,gat代码论文案例完成下午:与gcn的论文代码比较做ppt大组会案例:论文coraGCN-dgl数据展示结果GAT-dgl结果原论文来源:对于GCN的改进注意力机制深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息。GCN局限难分配不同的权重给不同的neighbor.这一点限制了模型对于空间信息的相关原创 2021-11-09 10:52:48 · 3181 阅读 · 0 评论 -
深度学习:GCN案例
目录标题空手道俱乐部-写法1问题描述空手道俱乐部-写法1问题描述Zachary’s karate club” Problem定义在一个包括34个成员的空手道俱乐部里的社交网络上, 俱乐部分为两个社区, 由教员(节点0)和俱乐部主席(节点33)领导, 分别以不同颜色的圆点表示, 问题目标是希望能够预测出每个成员将更倾向于加入哪一个社区;...原创 2021-10-31 13:55:32 · 622 阅读 · 0 评论 -
深度学习:安装包记录
目录标题安装DGL安装DGLpython-terminalpip install -U dgl -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com原创 2021-10-26 20:25:30 · 142 阅读 · 0 评论 -
深度学习:GCN(图卷积神经网络)理论学习总结
目录来源作用原理解释核心图的概念学习新特征目标提出步骤图卷积分类特点常见问题参考来源解决:发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据具体:对CNN:核心在于kernel,kernel是一个个小窗口,在图片上平移,通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性:一个小窗口无论移动到图片的哪一个位置,其内部的结构都是一模一样的,因此CNN可以实现参数共享对RNN:对象是自然语言这样的序列信息,是一个一维的结构,通过各种门的操作,使得序列前后的信息原创 2021-10-26 19:57:06 · 20470 阅读 · 5 评论 -
深度学习:GAN优化方法-DCGAN案例
目录案例1:鲜花生成具体实现数据展示数据分类(processdata.py)数据预处理(data.py;可反复使用)模型Generator,Discriminator,权重初始化(model.py)(1)导入包(2)Discriminator(3)Generator(4)权重初始化网络训练(net.py)主函数(main.py)(1)导入包(2)定义超参数(3)实例化(4)进行训练结果展示epoch=20epoch=100案例2: 动漫人脸生成数据集定义超参数定义生成器定义判别器训练生成器生成图片主函数结果原创 2021-10-19 19:27:06 · 2306 阅读 · 3 评论 -
深度学习:GAN案例练习-minst手写数字
目录)理论目标优化网络(定义损失)训练过程技巧代码1(保存生成图片、loss可视化)结果:代码2-BP全连接网络代码说明:判别网络生成网络定义损失函数和优化器定义两个计算loss函数训练流程函数开始训练结果epoch=10epoch=30代码代码3:判别-生成网络模型 cnn代码结果理论参考:GAN原理详解目标最终期望两个网络达到一个动态均衡:生成器生成的图像接近于真实图像分布,而判别器识别不出真假图像,对于给定图像的预测为真的概率基本接近0.5(相当于随机猜测类别)。目标:对于生成器来说,传给原创 2021-10-13 20:55:59 · 2307 阅读 · 0 评论 -
深度学习:迁移学习-案例写法总结
目录案例一:猫狗分类参数微调特征提取的方法总结案例一:猫狗分类参考:猫狗分类迁移学习案例详解代码位置:E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化参数微调该方法使用预训练的参数来初始化我们的网络模型,修改全连接层后再训练所有层。# 加载预训练模型model_ft = models.resnet18(pretrained=True)# 获取resnet18的全连接层的输入特征数num_ftrs = model_ft.fc.in_feature原创 2021-10-06 16:33:14 · 704 阅读 · 0 评论 -
深度学习:训练、验证,保存模型,加载模型,测试,代码-案例写法总结
@[TOC]目录案例一:猫狗分类参考:猫狗分类迁移学习案例详解代码位置:E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化定义训练+验证函数#----训练模型-----import copydef train_model(model, criterion, optimizer, scheduler, num_epochs=10): t1 = time.time() best_model_wts = copy.deepcopy(mode原创 2021-10-06 15:39:01 · 13700 阅读 · 1 评论 -
深度学习:数据预处理_案例写法汇总
目录案例一:猫狗分类数据集展示:数据增强数据读取,加载查看数据集数量及种类训练数据可视化案例一:猫狗分类参考:https://blog.csdn.net/qq_42951560/article/details/109950786.代码位置:E:\项目例程\猫狗分类\迁移学习\猫狗_resnet18_2 \猫狗分类_迁移学习可视化数据集展示:数据增强#---数据增强----data_transforms = { 'train': transforms.Compose([原创 2021-10-05 20:15:31 · 1817 阅读 · 0 评论 -
深度学习:可视化-结果loss acc可视化及测试数据显示
一 迁移学习1理论1.1what经有猫的分类器模型了,没必要从头开始训练,你可以将猫分类器模型的网络结构和参数迁移到训练狗的分类器模型中,然后稍微修改一下就能使用了1.2优点更高的起点。微调前,源模型的初始性能比不使用迁移学习高。更高的斜率。训练中,源模型的提升速率比不使用迁移学习高。更高的渐进。训练得到的模型的收敛性比不使用迁移学习更好。1.3迁移学习的方法实现迁移学习主要有两种常见的方法:Convnet微调:代替随机初始化,我们使用预训练的网络初始化我们的模型,,修改全连接层后再训练原创 2021-10-05 19:30:50 · 11243 阅读 · 0 评论