随笔分类 - python-pytorch学习
1
日月光华课程笔记
摘要：图像语义分割形象化描述 图像语义分割是指像素级地识别图像，即标注出图像中每个像素所属的对象类别。 目标：一般是将一张RGB图像（height*width*3）或是灰度图（height*width*1）作为输入，输出的是分割图，其中每一个像素包含了其类别的标签（height*width*1） Unet
阅读全文
摘要：图像定位的直观理解 不仅需要我们知道图片中的对象是什么，还要在对象的附近画一个边框，确定该对象所处的位置。 也就是最终输出的是一个四元组，表示边框的位置 图像定位网络架构 可以将图像定位任务看作是一个回归问题！ 数据集介绍 采用Oxford-IIIT数据集 The Oxford-IIIT Pet D
阅读全文
摘要：网络结构 因为主要是学习pytorch，具体原理没有深究。如果将来搞CV的话，可能再回来搞懂吧。 网络结构大概就是，用多个卷积核提取特征，然后将提取到的特征拼接在一起 网络结构如下： 实现思路是，首先定义卷积模型（包括卷积层和BN层），然后再实现Inception的Block（图中所示结构） 卷积模
阅读全文
摘要：数据集描述 总共类图像，每一类图像都存放在一个以类别名称命名的文件夹下，每张图片的命名格式如下图： 数据预处理 首先分析一下我们在数据预处理阶段的目标和工作流程 获取每张图像以及对应的标签 划分测试集和训练集 通过写数据集类的方式，获取数据集并进一步获得DataLoader 打印图片，验证
阅读全文
摘要：产生背景 随着网络深度的增加，会出现网络退化的现象。 网络退化现象形象化解释是在训练集上的loss不增反降。 这说明，浅层网络的训练效果要好于深层网络 一个想法就是，如果将浅层网络的特征传到深层网络，那么深层网络的训练效果不会比浅层网络差 举个例子，就是假设总共有50层，20层的训练结果就比50层的
阅读全文
摘要：构建路径集和标签集 取出所有路径 import glob all_imgs_path = glob.glob(r"E:\datasets2\29-42\29-42\dataset2\dataset2\*.jpg") 获得所有标签 species = ['cloudy', 'rain', 'shine
阅读全文
摘要：保存训练过程中使得测试集上准确率最高的参数 import copy best_model_wts = copy.deepcopy(model.state_dict()) best_acc = 0 train_loss = [] train_acc = [] test_loss = [] test_a
阅读全文
摘要：resnet预训练模型 resnet模型与之前笔记中的vgg模型不同，需要我们直接覆盖掉最后的全连接层 先看一下resnet模型的结构： 我们需要先将所有的参数都设置成requires_grad = False 然后再重新定义fc层，并覆盖掉原来的。 重新定义的fc层的requires_grad默认
阅读全文
摘要：数据增强 常用数据增强方法： transforms.RandomCrop # 随机位置裁剪 transforms.CenterCrop # 中心位置裁剪 transforms.RandomHorizontalFlip(p = 1) # 随机水平翻转 transforms.RandomVertical
阅读全文
摘要：什么是预训练网络 预训练模型就是之前用较大的数据集训练出来的模型，这个模型通过微调，在另外类似的数据集上训练。 一般预训练模型规模比较大，训练起来占用大量的内存资源。 微调预训练网络 我们采用vgg16作为预训练模型，来实现上一篇中四种天气的识别。 我们可以先来看一下vgg16的网络架构： 首先是一
阅读全文
摘要：相关包导入 import torch import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch.nn as nn import torch.nn.functional as F import
阅读全文
摘要：相关包导入 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from to
阅读全文
摘要：相关包导入 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from to
阅读全文
摘要：相关包 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from torc
阅读全文
摘要：导入相关包 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F from to
阅读全文
摘要：TensorDataset 导入相关包 from torch.utils.data import TensorDataset 特征与标签合并 HRdataset = TensorDataset(X, Y) 模型训练 for epoch in range(epochs): for i in range
阅读全文
摘要：导入相关库 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn import torch.nn.functional as F %matplo
阅读全文
摘要：相关库导入 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn %matplotlib inline 数据读入及预处理 data = pd.r
阅读全文
摘要：张量生成方法 张量的形状及类型 张量的计算 张量的梯度 手写线性回归
阅读全文
摘要：pytorch实现线性回归 导入相关python包 import torch import pandas as pd import numpy as np import matplotlib.pyplot as plt from torch import nn %matplotlib inline
阅读全文
1
