失眠航行器-CSDN博客

原创 T3-天气图片识别

相反，当加速器正在训练模型时，CPU 处于空闲状态。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。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。CNN的输入张量表示图像的结构和颜色信息。每个像素点都被表示为具有color_channels个数值的向量，在训练时，通过一系列卷积层、池化层和全连接层等操作提取和处理图像特征。在此示例中，我们的 CNN 输入形状是。

2024-07-24 03:04:25 897

原创 T2周：彩色图片分类

学会使用tensorflow对彩色图片进行识别，并了解与灰度图片识别的区别（特别是输入模型的shape）；修改原模型，使得test acc > 72%

2024-07-16 21:37:50 637

原创 T1：minist手写数字识别

本周使用tensorflow.keras进行MNIST数据集识别，学习了解了专门的模块和函数，也感受到了其与之前学习的pytorch框架的不同，但是网络构建和训练的核心思想仍旧没变。通过下面的网络结构我们可以简单理解为，输入一张图片，将会得到一组数，这组代表这张图片上的数字为0~9中每一个数字的几率（并非概率），out数字越大可能性越大，仅此而已。优点：神经元个数增加，模型复杂度提升；理论上都可以提高模型的学习能力。优点：神经元个数增加，模型复杂度提升。激活函数的作用是增加模型的非线性表达能力。

2024-07-10 22:33:01 965

原创第P10周：PyTorch实现车牌识别

在之前的案例中，我们多是使用函数直接导入已经分类好的数据集形成Dataset，然后使用DataLoader加载Dataset，但是如果对无法分类的数据集，我们如何导入，并进行识别呢？本周内容将自定义一个MyDataset加载车牌数据集并完成识别⛽ 我的环境。

2024-07-06 20:43:08 1533 2

原创 P9：YOLOv5-Backbone模块实现

yolov5原理详解 (涉及内容：Yolov5框架，各组件分析，特征融合是怎么实现的？yolov5的具体特征融合方式等)YOLOv5【网络结构】超详细解读总结！！！❗重点参考【目标检测】yolov5模型详解YOLOv5（You Only Look Once version 5）是一个流行的目标检测算法，它是 YOLO 系列算法的最新版本之一。YOLOv5 以其高速和高精度的特点，在实时目标检测任务中表现出色。本次构建的是基于YOLOv5l的backbone（有修改），大致如下：可以看出YOLOv5s包含。

2024-06-19 19:42:04 916

原创 P8：YOLOv5-C3模块实现

版权-https://blog.csdn.net/u012856866/article/details/130948742yolov5原理详解 (涉及内容：Yolov5框架，各组件分析，特征融合是怎么实现的？yolov5的具体特征融合方式等)YOLOv5【网络结构】超详细解读总结！！！❗重点参考【目标检测】yolov5模型详解YOLOv5（You Only Look Once version 5）是一个流行的目标检测算法，它是 YOLO 系列算法的最新版本之一。

2024-06-12 17:43:38 593

原创 P7周:基于pytorch的咖啡豆识别-(VGG16复现)

本次手动搭建的vgg16已经达到较高的训练准确率，为99.6%巩固调用官方模型的操作在手动搭建的模型基础上进行轻量化，修改后参数数量为121,736,996，并可达到最高训练准确率为100%感觉自己经过每周的学习，对代码和模型优化更加熟练。

2024-06-05 08:03:40 972

原创第P6周：VGG16-PyTorch人脸识别

了解学习VGG16的模型结构，学习调用官方模型并通过修改最后全连接层来识别人脸图片（test acc为20%）巩固学习动态学习率的设置通过手动搭建VGG16模型，通过不断调整参数来提高测试正确率（也参考了各种VGG16相关的博文），最终训练准确率达到99%，测试准确率超过60%。

2024-05-31 21:58:19 698

原创 P5训练营：PyTorch运动鞋图片识别

学习了动态学习率的设置方法-动态学习率可以帮助模型更快地收敛。在训练初期，大的学习率可以快速接近最优解；在训练后期，小的学习率可以更精细地优化模型优化识别图像CNN模型train acc达到99%，test acc达到86%以上；本菜鸡的感想根本上因为打好基础，对模型训练的各种条件和背后作用的原理了解不足，导致调整参数结构没有策略（无头苍蝇）；这次大部分时间耗在优化模型上，首先，初始模型性能较好时再优化应该多微调而不是一下子改很多地方，经常导致“坏上加坏”（或者效果抵消了导致没啥变化）；

2024-05-26 18:23:43 952

原创 P4-猴痘病图片识别(pytorch+CNN)

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。step()函数的作用是执行一次优化步骤，通过梯度下降法来更新参数的值。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。

2024-05-19 03:25:21 567

原创第P3周：Pytorch实现天气识别

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。这是因为卷积操作是通过对输入数据的局部区域进行卷积操作得到特征图的，因此对于输入数据中相同的特征，它们在不同位置上的局部区域是相似的，因此卷积操作可以提取出相同的特征。方法进行数据集划分。

2024-05-04 22:36:36 903

原创训练营-第P2周：CIFAR10彩色图片识别

使用dataset下载CIFAR10数据集，并划分训练集与测试集使用dataloader加载数据，并设置好基本的batch size利用squeeze()函数的功能，去除维度为1的shape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。

2024-04-19 22:28:54 820

原创深度学习训练营PyTorch week1

worker_init_fn (Callable, optional) – 如果不是 None，这将在步长之后和数据加载之前在每个工作子进程上调用，并使用工作 id（[0，num_workers - 1] 中的一个 int）的顺序逐个导入。batch_sampler (Sampler or Iterable, optional) – 和sampler类似，但是一次返回一批索引，与 batch_size、shuffle、sampler 和 drop_last互斥。0表示数据将在主进程中加载（默认：0）

2024-04-12 22:05:26 988 4

zoey123456789的博客