随笔分类 - 深度学习
摘要：一、安装anaconda 安装个人版 到清华大学开源软件镜像站下载，比较快
阅读全文
摘要：一、步骤 找到一些整体代码写的不错的人的项目开始 看readme,如何运行项目，数据集，运行模型，测试模型 二、看训练的参数 进入trainOptions.parse()方法 下载代码之后，把required=True的参数，都改成default=，赋给默认值，就可以运行 优化参数 多少轮保存 多少
阅读全文
摘要：利用已经训练好的模型，给它提供输入，看输出 一、输入 1.找到一张图片 对于图片要进行转换 png格式是四个通道，除了RGB三通道外，还有一个透明度通道，通过下面的命令，可以适应png、jpg各种格式的图片。 命令： image=image.convert('RGB') 二、实验对应的部分 1.代码
阅读全文
摘要：一、第一种方法 1.找到能够调用.cuda（）的位置 网络模型 数据（输入，标注） 损失函数 2.计算训练的时间 在CPU运行速度 代码： 点击查看代码 import torch import torchvision # 13. 计算时间 import time from torch.utils.t
阅读全文
摘要：一、训练流程 1. 准备数据集 2. 计算训练集和测试集的长度 2.1 输出训练集和测试集的长度 3. 利用DataLoader来加载数据集 4. 搭建神经网络 在另外的页面搭建好神经网络模型（test27_2_model） 在当前页面进行调用（test27_1_train） 5.创建网络模型 6.
阅读全文
摘要：一、案例 1.保存方式1 保存模型结构+模型参数 2.保存方式1的陷阱 自己创建的模型，在加载的时候，需要import 3.保存方式2 保存模型参数（官方推荐） 比较1和2两种方式保存的内容的大小 terminal执行 ls -all 4.完整代码 模型保存 import torch import
阅读全文
摘要：一、官网内容 模型 数据集 二、案例 分类模型：Vgg16 1.参数 pretrained：True->已经训练过的模型，并能在数据集上取得一个比较好的效果。 progress:True->显示下载进度条 2.代码 2.1 下载数据集ImageNet 下载需要的包 pip install scipy
阅读全文
摘要：一、官方文档 torch.optimizer 优化器的定义 之后调用优化器的step方法 作用：就是利用得到的梯度对参数进行更新 相关优化器的算法 共同点：模型参数，学习速率，优化器自身的参数 二、案例 1. 代码 学习速率的设置：太大-模型不稳定，太小-速率太慢，一般由大到小设置 多个epoch进
阅读全文
摘要：一、损失函数 作用：衡量实际输出和真实想要的结果之间的差距，越小越好 1. L1Loss 计算方法：每个对应值相减的绝对值求和，再取平均 案例 点击查看代码 import torch from torch.nn import L1Loss # 输入 inputs=torch.tensor([1,2,
阅读全文
摘要：一、Sequential的使用 组合各个层 二、搭建小实战 1.网络结构 计算padding 需要经历两个线性层 2.代码 点击查看代码 import torch from torch import nn from torch.nn import Conv2d,MaxPool2d,Flatten,L
阅读全文
摘要：一、正则化层 加快神经网络的训练速度 BATCHNORM2D C:代表channel 需要输入 二、Recurrent层 用于文字识别 三、Transformer层 四、线性层 使用比较多 举例： 代码 点击查看代码 import torchvision from torch import nn f
阅读全文
摘要：一、补充padding层 补充：padding层，主要是用0或常数填充，可以自己查看官方文档 二、非线性激活函数 1.Relu函数 输入：N表示batchsize Inplace:是否对原来的结果进行替换 一般采用为False,保留原始数据 图像： 2.sigmoid函数 输入：N表示batchsi
阅读全文
摘要：一、常用池化层 功能：减少模型的计算量 1.最大池化 卷积核区域取最大值作为结果 参数说明 输入输出都是四维：N是batch_size,C是channel ceil_model为True,保留不完整的部分，否则去掉 （下面案例中stride=3） 2.案例 矩阵的池化 点击查看代码 import t
阅读全文
摘要：一、二维卷积 参数说明+公式（论文中一般看这个） 查看动态演示 效果: 二、案例 报错技巧：要找自己程序中的文档来改 代码 import torch import torchvision from torch import nn from torch.nn import Conv2d from to
阅读全文
摘要：一、卷积函数 1.二维卷积 torch.nn.functional包含在torch.nn,是更详细的方法的解说 卷积核的运算 padding运算 2. 案例 代码 import torch import torch.nn.functional as F # 1. 输入张量（图片） input=tor
阅读全文
摘要：一、神经网络基本框架 1.查看官方文档 第一步 第二步 第三步：不同方法的作用 第四步：containers的讲解 自己创建模型的话：重写init和forward forward函数：x是模型输入，conv是卷积，relu是非线性处理 二、案例 1.代码 from torch import nn i
阅读全文
摘要：一、dataset与dataloader的区别 dataset:数据集本身 dataloader：提取数据集的方式 二、dataloader方法 方法查询和解析: 2. 参数： batch_size:每次抓几张 shuffle:每次洗牌的顺序是否一样，True为不一样（一般情况），False为一样
阅读全文
摘要：一、pytorch官网 pytorch官网 基本模块 torchvision 数据集 模型 数据集基本参数： transform和工具类 二、实验阶段 数据集的下载 如果通过代码下载不下来，可以自己下好（ctrl+对应数据集的名称，进入到数据集的方法里，找到对应链接），放到对应的目录下，再运行，或者
阅读全文
摘要：一、函数基本功能 输入 PIL:Image.open() tensor:ToTensor() narrays:cv.imread() 输出 不知道返回类型的时候 print(type()) print() debug 参数 作用 多看官方文档 二、各个函数的功能 Compose 对各个transfo
阅读全文
摘要：一、Transforms的结构和用法 查看transforms源代码 查看类的结构 查看Compose函数功能 快捷键设置：setting-keymap 2. transforms的使用 案例： #1.transforms使用 tensor_trans=transforms.ToTensor() t
阅读全文
浙公网安备 33010602011771号