如何得到深度学习模型的参数量和计算复杂度
摘要：1.准备好网络模型代码 import torch import torch.nn as nn import torch.optim as optim # BP_36: 输入2个节点，中间层36个节点，输出25个节点 class BP_36(nn.Module): def __init__(self)
阅读全文
posted @
2025-01-03 21:24
孜孜不倦fly
阅读(28)
推荐(0) 编辑
神经网络中间层特征图可视化（输入为音频）（二）
摘要：相比方法（一）个人感觉这种方法更好 import librosa import numpy as np import utils import torch import matplotlib.pyplot as plt class Hook: def __init__(self): self.fea
阅读全文
posted @
2023-11-22 16:17
孜孜不倦fly
阅读(36)
推荐(0) 编辑
神经网络中间层特征图可视化（输入为音频）（一）
摘要：import librosa import numpy as np import utils import torch import torch.nn.functional as F from matplotlib import pyplot as plt from torchvision.mode
阅读全文
posted @
2023-11-14 11:51
孜孜不倦fly
阅读(22)
推荐(0) 编辑
上采样的几种方式
摘要：1.插值 import torch.nn.functional as F //init中 self.up = nn.Upsample(size = (256, 2), mode = "nearest") //forward中 F.interpolate(input, size=None, scale
阅读全文
posted @
2023-10-26 20:14
孜孜不倦fly
阅读(47)
推荐(0) 编辑
深度学习设置随机数种子
摘要：seed = 2023 torch.manual_seed(seed) # torch的CPU随机性，为CPU设置随机种子 torch.cuda.manual_seed(seed) # torch的GPU随机性，为当前GPU设置随机种子 torch.cuda.manual_seed_all(seed
阅读全文
posted @
2023-10-22 11:17
孜孜不倦fly
阅读(119)
推荐(0) 编辑
打印numpy数组和张量tensor的形状
摘要：**一.打印np数组** ``` import numpy as np arr = np.array([13, 2500]) print(np.shape(arr)) ``` **二.打印tensor张量** ``` import torch arr = torch.Tensor([[1, 2, 3
阅读全文
posted @
2023-08-31 22:27
孜孜不倦fly
阅读(100)
推荐(0) 编辑
tensor和np互相转换
摘要：**1.tensor转np** ``` # 创建一个形状为[2, 2, 40, 256]的随机张量 torch_tensor = torch.rand(2, 2, 40, 256) # 将tensor转换为NumPy数组 numpy_array = torch_tensor.numpy() ```
阅读全文
posted @
2023-08-28 16:25
孜孜不倦fly
阅读(18)
推荐(0) 编辑
python数据切片特点
摘要：1.python的数据用[ ]选择数据下标 2.python的下标从0开始 3.python的数据切片是“左闭右开的”，例如：python中写a[0:5]，实际上是取a中下标为“0-4”的元素，即实际中的第1~5个元素。
阅读全文
posted @
2023-07-31 11:39
孜孜不倦fly
阅读(14)
推荐(0) 编辑
使用nn.Conv2d()和nn.MaxPool2d()调整输出的技巧
摘要：前提是没有使用dilation,牢记以下公式：  1.如果想保持张量大小不变，则：kenel_size=3（奇数），
阅读全文
posted @
2023-07-28 15:37
孜孜不倦fly
阅读(95)
推荐(0) 编辑
nn.MaxPool2d()、transpose().contiguous()、view()说明
摘要：**1.nn.MaxPool2d()** 和nn.Conv2D()基本一样，但是stride默认值是kernel_size。 **2.transpose().contiguous()、view()** contiguous一般与transpose，permute，view搭配使用：使用transpo
阅读全文
posted @
2023-07-26 22:35
孜孜不倦fly
阅读(51)
推荐(0) 编辑
nn.Conv2d()参数说明、输入输出
摘要：**1.参数说明**  **2.输入输出参数计算** 
推荐(0) 编辑
获取模型的参数量和计算复杂度
摘要：``` import torch import net.bilstm import net.transformer from ptflops import get_model_complexity_info device = torch.device("cuda:0" if torch.cuda.i
阅读全文
posted @
2023-07-20 16:58
孜孜不倦fly
阅读(147)
推荐(0) 编辑
一些报错以及解决办法_1
摘要：**1.**报错信息：TYPEERROR: MAX() RECEIVED AN INVALID COMBINATION OF ARGUMENTS - GOT (AXIS=INT, OUT=NONETYPE, ), BUT EXPECTED ONE OF: 报错代码为： ``` def f1_over
阅读全文
posted @
2023-07-05 20:02
孜孜不倦fly
阅读(430)
推荐(0) 编辑
调整网络中参数的形状
摘要：1.首先阅读数据预处理的代码，确定送入神经网络的输入x的张量形状。比如现在有个语音输入特征张量x形状为[16, 1, 256, 40]，【批量，通道数，像素宽度，特征维度】。 如果看不懂，可以先在网络的forward最开始进行print(x.shape)打印。 2.常见改变张量形状的方法： （1）
阅读全文
posted @
2023-07-05 11:56
孜孜不倦fly
阅读(29)
推荐(0) 编辑
深度学习代码实践_train.py文件内容（识别数字0-9）
摘要：``` import cv2 from MLP import MLP from Cnn import save_model import torch import torch.nn.functional as F from sklearn.metrics import accuracy_score,
阅读全文
posted @
2023-05-18 19:06
孜孜不倦fly
阅读(58)
推荐(0) 编辑
