08 2019 档案
摘要：1.一层修饰符 1）简单版，编译即实现 在一个函数上面添加修饰符 @另一个函数名 的作用是将这个修饰符下面的函数作为该修饰符函数的参数传入，作用可以有比如你想要在函数前面添加记录时间的代码，这样每个函数调用时就能够知道是什么时候调用的，但是你不想手动地去给每个函数添加，那么就能够使用该修饰符实现这样
阅读全文
摘要：参考：https://pytorch.org/docs/stable/nn.html Containers Module 所有神经网络模块的基类 你定义的模型必须是该类的子类，即继承与该类 模块也能包含其他模块，允许它们在树状结构中筑巢。您可以将子模块指定为常规属性: 在这个例子中，nn.Conv2
阅读全文
摘要：interpolate 根据给定的size或scale_factor参数来对输入进行下/上采样 使用的插值算法取决于参数mode的设置 支持目前的temporal(1D, 如向量数据), spatial(2D, 如jpg、png等图像数据)和volumetric(3D, 如点云数据)类型的采样数据作
阅读全文
摘要：上采样（upsampling）一般包括2种方式： Resize，如双线性插值直接缩放，类似于图像缩放，概念可见最邻近插值算法和双线性插值算法——图像缩放 Deconvolution，也叫Transposed Convolution，可见逆卷积的详细解释ConvTranspose2d（fraction
阅读全文
摘要：Vision layers 1）Upsample 上采样一个给定的多通道的 1D (temporal,如向量数据), 2D (spatial，如jpg、png等图像数据) or 3D (volumetric，如点云数据)数据 假设输入数据的格式为minibatch x channels x [opt
阅读全文
摘要：1.数据处理代码utils.py: 1） 2） 后面发现torchvision.utils有一个make_grid()函数能够直接实现将（batchsize，channels，height，width）格式的tensor图像数据合并成一张图。 同时其也有一个save_img(tensor, file
阅读全文
摘要：1.使用apply() 举例说明： Encoder ：设计的编码其模型 weights_init(): 用来初始化模型 model.apply():实现初始化 返回： 2.直接在定义网络时定义 然后调用即可
阅读全文
摘要：通过对抗训练实现半监督的异常检测 Abstract Abstract Abstract Abstract Abstract 异常检测在计算机视觉中是一个经典的问题，即从异常中确定正常，但是由于其他类（即异常类）的样本数量不足，所以数据集主要基于一个类（即正常类）。虽然该问题能够当成一个监督学习问题来
阅读全文
摘要：在python2.7环境下 文件下载位置：https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/ 1.可视化模型文件prototxt 1）在线可视化 网址为：https://ethereon.github.io/netscope/#/editor 将
阅读全文
摘要：使用anaconda3环境下的python2.7, 机器macos mojave 10.14 1.安装Xcode 首先现在app store中安装Xcode 2.相应包安装 1.首先要安装homebrew包管理工具，在终端运行下面命令： /usr/bin/ruby -e "$(curl -fsSL
阅读全文
摘要：1.保存整个网络结构信息和模型参数信息: 直接加载即可使用： 2.只保存网络的模型参数-推荐使用 加载则要先从本地网络模块导入网络，然后再加载参数：
阅读全文
摘要：下面是定义初始化 然后进行动态赋值：
阅读全文
摘要：Encoder代码为： 判别器为： 重点在： layers = list(model.main.children()) self.features = nn.Sequential(*layers[:-1]) ：使用除了最后一层的前面所有层 self.classifier = nn.Sequentia
阅读全文
摘要：之前我们使用nn.Sequential()都是直接写死的，就如下所示： 那如果我们想要根据条件一点点添加进去，那就可以使用其的add_module方法 torch.nn.Module.add_module 添加子模块到当前模块中 该添加子模块能够使用给定的名字name来访问 参数： name (st
阅读全文
摘要：1.DataParallel layers (multi-GPU, distributed) 1）DataParallel 实现模块级别的数据并行 该容器是通过在batch维度上将输入分到指定的device中来在给定的module应用上实现并行。在前向传播中，模块module将在每个设备device
阅读全文