摘要： mean.npy 转换为mean.protxt import caffeimport numpy as np## mean.npy to mean.binaryproto# 使用mean.npy 生成 mean.binaryproto 用于caffe的模型转换MEAN_NPY_PATH = 'mea 阅读全文

摘要： CTPN是CNN+RNN的结合，CNN主要是用于文本框的提取，RNN将中间层的输入结果进行改变，保证文本框的上下文具有联系 网络结构 网络结构说明: 首先使用VGG，将原来图片的大小，缩小为1/16，因此每一个点输出结果是2*10概率和2*10的位置信息 标签制作: 构造16个像素，从上到下构造an 阅读全文

摘要： 1. 基础知识 1.深浅拷贝 # 2 深浅拷贝测试 import copy a = [1, 2, 3, 4] # b = a # 将b发生改变时，a也会发生改变 b = copy.deepcopy(a) # 表示进行浅拷贝 b[2] = 5 print(a) print(b) 2. vars 将类里 阅读全文

摘要： 1. torch.cat(data, axis) # data表示输入的数据, axis表示进行串接的维度 t = Test() t.num = 50 print(t.num) a = torch.tensor([[1, 1]]) b = torch.tensor([[2, 2]]) x = [] 阅读全文

摘要： 使用__iter__, __getitem__来模拟数据处理部分 import torch.utils.data class Model(): def __init__(self, animal_list): self.animal_list = animal_list # 根据迭代batch_si 阅读全文

摘要： # 构建apply函数体 from torch.nn import init import torch class A: def __init__(self): self.weight = torch.tensor([0.0, 0.0]) self.bias = 0 pass def apply(s 阅读全文

摘要： 对抗生成网络主要的原理，主要是使用生成器生成网络，判别器进行判别 生成器损失值: 判别器判别生成图片为真的BCE损失值 判别器损失值 判别真实图片为真和判别生成图片为假的BCE损失值 第一步: 使用argparse构造cmd输入的参数函数, 包含batch_size, lr学习率 ,latent_d 阅读全文

摘要： torchvision 主要是由三大模块组成, model, transforms, datasets transforms 主要可以进行数据增强 datasets 主要下载一些常用的数据集如mnist数据集 model 主要是将原来的模型进行下载 第一部分: 数据集的准备工作 第一步: 使用tra 阅读全文

摘要： 第一步: 进行数据的读取,使用request进行网址内容的抓取 from pathlib import Path import requests DATA_PATH = Path('data') Path = DATA_PATH / "mnist" Path.mkdir(parents=True, 阅读全文

摘要： 相比于上一个版本，这个版本引入了cost = torch.nn.MSELoss(reduction=True) 和 optimizer(Adam)优化器 第一步: 进行特征的可视化操作 import pandas as pd import numpy as np import datetime im 阅读全文