摘要：
在深度学习中 我们首先要准备数据集，尤其时用pytorch进行模型搭建训练时，需要首先构建dataset，然后封装为dataloder。 在生成dataset时，我们通过图片路径读取图片，然后进行一系列图片变换，生成可用于训练的dataset，我们需要把图片路径保存在一个.txt文件中， 通过读取. 阅读全文
摘要：
利用pytorch 定义自己的网络模型时，需要继承toch.nn.Module 基类。 基类中有parameters()、modules()、children()等方法 import torch import torch.nn as nn class myModel(nn.Module): def 阅读全文
摘要：
一般而言，我们需要对输入进行归一化，保证输入的特征在都分布在0-1或者-1 - +1，这样可以加快收敛，防止因某一个特征数值大造成的模型过拟合或欠拟合问题。 但深度学习因为模型深度深，常常会出现梯度爆炸或梯度消失问题，如果对每一层输入都进行特征的归一化，可以有效地解决这个问题。 BatchNorma 阅读全文
摘要：
在深度学习领域，对于数据量的要求是巨大的，在CV领域，我们通过图像数据增强对现有图像数据进行处理来丰富图像训练集，这样可以有效的泛化模型，解决过拟合的问题。 常用的图像数据增强方式有旋转图像、裁剪图像、水平或垂直翻转图像，改变图像亮度等，为了方便训练模型，我们通常会对数据进行归一化或者标准化以及将图 阅读全文
摘要：
pytorch 是应用非常广泛的深度学习框架，模型训练的第一步就是数据集的创建。 pytorch 可训练数据集创建的操作步骤如下： 1.创建一个Dataset对象 2.创建一个DataLoader对象 3.循环这个DataLoder对象，将data，label加载到模型中训练 其中Dataset和D 阅读全文
摘要：
迭代器、生成器是python学习的重要概念，其在深度学习的数据集加载中应用也非常广泛。本文主要阐述可迭代对象（Iterable），迭代器（Iterator）以及生成器（generator）的主要区别 首先，迭代器均为可迭代对象，生成器是特殊的迭代器，三者关系如下 1.可迭代对象（Iterable） 阅读全文
摘要：
在字典和列表中我们经常使用[]来获取字典中的值或者列表中的元素，是因为字典和列表都内置了__getitem方法。 "__getitem__" in (dir(list)) >>>True "__getitem__" in (dir(dict)) >>>True 我们自定义一个类，当实例对象通过[]运 阅读全文
摘要：
python定义一个类 类中可以有 对象方法、类方法、静态方法 对象方法： 我们可以通过类创建实例，这个过程叫做实例化，创建出的对象叫做类的实例，对象的属性叫做实例属性，对象的方法叫做对象方法或实例方法 对象方法：默认有个self参数，可以操作实例属性和类属性 ，只能被实例对象调用。 class T 阅读全文
摘要：
python中要想得到一个列表（list）的长度，通常使用 len()函数即可实现，是因为在类list,dict,set,tuple,str中内置了__len()__方法 print('__len__' in dir(list))True # 证明__len__这个方法在类list,dict,set 阅读全文