随笔分类 -  PyTorch

安装mmcv
摘要：最近想跑Swin-transformer，看了下官方代码，要使用到mmcv-segmentation这个库。 但是使用windows自动安装碰到了许多问题，记录下解决方案和步骤。 首先安装好Pytorch和cuda这个不必说。安装好之后安装mmcv 官方给的安装方式是 pip install mmc 阅读全文
posted @ 2022-03-04 00:27 荼离伤花 阅读(1674) 评论(0) 推荐(0)
pytorch加载数据集
摘要：分为两种方式 第一种：通过加载pytorch官方常用的数据集 # dataloader = torch.utils.data.DataLoader( # datasets.MNIST( # "../../data/mnist", # train=True, # download=True, # tr 阅读全文
posted @ 2021-05-13 18:57 荼离伤花 阅读(237) 评论(0) 推荐(0)
pytorch deeplabV3 训练自己的数据集
摘要：pytorch deeplabV3 训练自己的数据集 一、Pytorch官方的demo https://pytorch.org/hub/pytorch_vision_deeplabv3_resnet101/ 只需要运行里面的代码就可以对示例图片dog进行语义分割。 预训练模型已在Pascal VOC 阅读全文
posted @ 2021-01-07 21:45 荼离伤花 阅读(1216) 评论(0) 推荐(0)
pytorch finetune maskRcnn
摘要：根据Pytorch官方的Finetune MaskRcnn并训练自己的多类别数据集。 一、Pytorch官方的MaskRCNN Finetune是根据行人数据集进行二分类（背景/行人）的实力分割 具体路径可以查看https://pytorch.org/tutorials/intermediate/t 阅读全文
posted @ 2020-12-30 18:51 荼离伤花 阅读(63) 评论(0) 推荐(0)
pytorch ResNet
摘要：一、ResNet网络结构 1.1ResNet特点 深层网络结构 残差模块 Batch Normalization加速训练 使一批feature map满足均值为0，方差为1的分布。 ResNet解决了网络层数增加带来的梯度消失，梯度爆炸和梯度退化问题。 1.2网络结构 residua block的虚 阅读全文
posted @ 2020-12-20 20:46 荼离伤花 阅读(494) 评论(0) 推荐(0)
pytorch GoogLeNet
摘要：一。GoogLeNet网络结构 1.特点： 采用inspection结构和2个辅助的分类器。inspection结构是并行结构。加入了1x1的卷积核来实现降维，能够减少训练参数。 2.网络结构 3.Inspection结构 4.参数列表 二。训练代码 model.py 1 import torch. 阅读全文
posted @ 2020-12-20 18:16 荼离伤花 阅读(421) 评论(0) 推荐(0)
pytorch实现VGG
摘要：一。网络结构和参数 特点：堆叠多个小尺寸的卷积核来做到和大卷积核一样的感受野。减少网络参数的同时加深了网络深度。 二。模型定义和训练代码 model.py 1 import torch.nn as nn 2 import torch 3 4 5 class VGG(nn.Module): 6 def 阅读全文
posted @ 2020-12-20 16:37 荼离伤花 阅读(621) 评论(0) 推荐(0)
pytorch训练AlexNet
摘要：一。AlexNet网络结构和参数 二。训练部分 model.py 1 import torch.nn as nn 2 import torch 3 4 5 class AlexNet(nn.Module): 6 def __init__(self, num_classes=1000, init_we 阅读全文
posted @ 2020-12-20 03:33 荼离伤花 阅读(300) 评论(0) 推荐(0)
学习笔记1 pytorch实现Lenet5
摘要：参考资料：https://cuijiahua.com/blog/2018/01/dl_3.html 代码实现： 1 import torch 2 from torch import nn 3 from torch.nn import functional as F 4 class Lenet5(nn 阅读全文
posted @ 2019-11-28 11:14 荼离伤花 阅读(532) 评论(0) 推荐(0)