pytorch学习（土堆） - 随笔分类 - 平凡之上

11/27日学习

摘要：#P30-P33完结利用GPU来训练方法1：思路：找到网络模型、数据（输入，标注）、损失函数。然后调用.cuda() 然后返回方法2： Device=torch.device("CPU") torch.device("cuda:0") #指定显卡 .to(device) 阅读全文

posted @ 2021-11-27 19:09 平凡之上阅读(27) 评论(0) 推荐(0)

11/26日27日学习2

摘要：#P27-P29 完整的模型训练套路思路步骤：准备数据集→DataLoader加载数据集→创建网络模型→创建损失函数→设置优化器→设置训练的一些参数 →开始训练步骤：↓for data in train_dataloader ↓loss计算损失值 ↓优化器优化模型 → ↓with torch.n 阅读全文

posted @ 2021-11-27 16:21 平凡之上阅读(19) 评论(0) 推荐(0)

11/26日学习1

摘要：#P23-P26 损失函数与反向误差 Loss function作用：1、计算实际输出和目标之间的差距 2、为我们更新输出提供一定的依据（反向传播） #根据需要去选择使用，关注函数的输入和输出。 1.nn.L1Loss() 2.nn.MSELoss() 3.nn.CrossEntropyLoss() 阅读全文

posted @ 2021-11-26 20:45 平凡之上阅读(23) 评论(0) 推荐(0)

11/23日学习

摘要：#P22 神经网络-搭建小实战和Sequential的使用 cifar10 model structure 全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到阅读全文

posted @ 2021-11-23 20:12 平凡之上阅读(29) 评论(0) 推荐(0)

11/22日学习

摘要：#P19-P21 神经网络-非线性激活 torch.nn.ReLU 进行泛化 inplace=False,则不保留原值。=True,则保留原值线性层 linear Applies a linear transformation to the incoming data 阅读全文

posted @ 2021-11-22 18:40 平凡之上阅读(62) 评论(0) 推荐(0)

11/21日学习

摘要：#P18-P19 神经网络-卷积层 torch.nn→Convolution Layers 卷积操作，关注函数参数，理解参数意义 -最大池化的使用 →Pooling Layers 阅读全文

posted @ 2021-11-21 18:53 平凡之上阅读(19) 评论(0) 推荐(0)

11/20日学习

摘要：#P16-P17 神经网络的基本骨架-nn.Module使用卷积操作阅读全文

posted @ 2021-11-20 21:40 平凡之上阅读(20) 评论(0) 推荐(0)

11/19日学习

摘要：#P14-P15 torchvision中数据集的使用 DataLoader的使用 batch_size:每批次抓取的数据个数。drop_last:如果DataSet大小未被批处理大小可分离，则将其设置为true以删除最后的不完整批次。如果DataSet的尺寸不可分可于批次大小，则最后批处理将更小。阅读全文

posted @ 2021-11-19 11:28 平凡之上阅读(21) 评论(0) 推荐(0)

11/18日学习

摘要：#P9-P13 Transforms的使用 transforms在计算机视觉工具包torchvision下。torchvision.transforms : 常用的图像预处理方法，提高泛化能力。 crtl+/ 注释代码 PIL和Opencv图像处理差异 1 PIL（RGB） Image.open 方阅读全文

posted @ 2021-11-18 20:54 平凡之上阅读(22) 评论(0) 推荐(0)

11/17日学习

摘要：#P7-P8 1、Tensorboard的使用 TensorBoard是一个可视化工具，它可以用来展示网络图、张量的指标变化、张量的分布情况等 from torch.utils.tensorboard import SummaryWriter #引入类 tensorboard --logdir=绝对阅读全文

posted @ 2021-11-17 21:20 平凡之上阅读(17) 评论(0) 推荐(0)

11/16日学习

摘要：#P1-P6 1、Anaconda 创建新环境：Anaconda prompt→conda create -n 环境名 python=版本查看环境：conda info --e ①激活环境：conda activate 环境名 ②关闭环境：conda deactivate 命令行→torch.cu 阅读全文

posted @ 2021-11-16 21:25 平凡之上阅读(22) 评论(0) 推荐(0)

随笔分类 - pytorch学习（土堆）