随笔分类 - # pytorch
1
摘要：官方教程英文版在这里，中文版在这里。文章引用放在末尾。 文章目录 一、张量的基本操作二、维度变换**2.1 squeeze vs unsqueeze 维度增减****2.2 transpose vs permute 维度交换****2.3 reshape vs view****2.4 einsum*
阅读全文
摘要：文章目录 DCGAN教程1. 简介2. 生成对抗网络（Generative Adversarial Networks）2.1 什么是 GAN2.2 什么是 DCGAN 3. DCGAN实现过程3.1 输入3.2 数据3.3 实现3.3.1 权重初始化3.3.2 生成器3.3.3 判别器3.3.4 损
阅读全文
摘要：文章目录 使用pytorch进行深度学习1. 深度学习构建模块：仿射变换, 非线性函数以及目标函数1.1 仿射变换1.2 非线性函数1.3 Softmax和概率1.4 目标函数 2. 优化和训练3. 使用PyTorch创建网络组件3.1 示例: 基于逻辑回归与词袋模式的文本分类器 使用pytorch
阅读全文
摘要：model.eval() 使用model.eval()切换到测试模式，不会更新模型的k（权重），b（偏置）参数通知dropout层和batchnorm层在train和val中间进行切换： 在train模式，dropout层会按照设定的参数p设置保留激活单元的概率（保留概率=p，比如keep_prob
阅读全文
摘要：原理 从17年被RetinaNet提出，Focal Loss 一直备受好评。由于其着重关注分类较差的样本的思想，Focal loss以简单的形式，一定程度解决了样本的难例挖掘，样本不均衡的问题。 代码 import torch import torch.nn as nn import torch.n
阅读全文
摘要：单个变量的转化 ndarray = np.array(list) # list 转 numpy数组 list = ndarray.tolist() # numpy 转 list tensor=torch.tensor(list) # list 转 torch.Tensor list = tensor
阅读全文
摘要：文章目录 1.简介2.导入所需要的包3.加载图片5.计算损失5.1内容损失5.2风格损失 6.导入模型7.梯度下降 1.简介 本教程主要讲解如何实现由 Leon A. Gatys，Alexander S. Ecker和Matthias Bethge提出的Neural-Style 算法。Neural-
阅读全文
摘要：文章目录 1.加载数据2.什么是空间变换器网络？3.训练模型4.可视化 STN 结果 1.加载数据 完整代码文末给出。 在这篇文章中，我们尝试了经典的 MNIST 数据集。使用标准卷积网络增强空间变换器网络。 from six.moves import urllib opener = urllib.
阅读全文
摘要：文章目录 前言1.导入相关包并打印版本号2.输入3.辅助函数3.1 模型训练和验证代码3.2 设置模型参数的`.requires_grad`属性 4.初始化和重塑网络4.1 Resnet4.2 Alexnet4.3 VGG4.4 Squeezenet4.5 Densenet4.6 Inception
阅读全文
摘要：在本教程中，我们将微调在 Penn-Fudan 数据库中对行人检测和分割的已预先训练的 Mask R-CNN模型。它包含170个图像和345个行人实例，我们 将用它来说明如何在 torchvision 中使用新功能，以便在自定义数据集上训练实例分割模型。 文章目录 1.定义数据集2.为 PennFu
阅读全文
摘要：文章目录 1.导入相关的包2.加载数据3.可视化部分图像数据4.训练模型5.可视化模型的预测结果6.场景1：微调ConvNet7.场景2：ConvNet作为固定特征提取器 实际中，基本没有人会从零开始（随机初始化）训练一个完整的卷积网络，因为相对于网络，很难得到一个足够大的数据集[网络很深, 需要足
阅读全文
摘要：文章目录 1.获取训练设备2.定义类3.模型层4.模型参数 神经网络由对数据执行操作的层/模块组成。 torch.nn 命名空间提供了构建自己的神经网络所需的所有构建块。PyTorch 中的每个模块都是 nn.Module 的子类。神经网络是一个模块本身，由其他模块（层）组成。这种嵌套结构允许轻松构
阅读全文
摘要：文章目录 1.Transfroms2.ToTensor()3.Lambda Transforms 1.Transfroms 数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用转换来对数据进行一些操作并使其适合训练。 所有 TorchVision 数据集都有两个参数 - 用于修改特征的 t
阅读全文
摘要：文章目录 1.加载数据集2.迭代和可视化数据集3.创建自定义数据集4.准备数据以使用 DataLoaders 进行训练5.通过 DataLoader遍历6.Further Reading 处理数据样本的代码可能会变得混乱且难以维护；我们理想地希望我们的数据集代码与我们的模型训练代码分离，以获得更好的
阅读全文
摘要：文章目录 一、头文件二、定义一个张量三、张量的属性四、张量运算五、与 NumPy 的桥接 一、头文件 import torch import numpy as np 二、定义一个张量 张量可以直接从数据中创建。数据类型是自动推断的。 data = [[1, 2],[3, 4]] x_data = t
阅读全文
摘要：1.可以在终端里面使用python进入python环境 >>>import torch >>>torch.cuda.empty_cache() 2.使用nvidia-smi查看gpu使用进程，找到进程的名字，使用sudo pkill python去杀死他 3.减少batch size的大小，最好是8
阅读全文
摘要：这两个方法都是对应位置元素相乘，因此要求维度相同 矩阵相乘 tensor = torch.ones(4, 4) tensor[:,1] = 0 print(tensor) tensor([[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.], [1
阅读全文
摘要：1.张量>>>>numpy数组 t = torch.ones(5) print(f"t: {t}") n = t.numpy() print(f"n: {n}") t: tensor([1., 1., 1., 1., 1.]) n: [1. 1. 1. 1. 1.] 在张量中的改变也会影响numpy
阅读全文
摘要：执行张量的加法运算 tensor = torch.ones(4, 4) tensor[:,1] = 0 print(tensor, "\n") tensor.add_(5) print(tensor) tensor([[1., 0., 1., 1.], [1., 0., 1., 1.], [1.,
阅读全文
摘要：除了tensor.matmul(tensor.T)这种表示方法，还有tensor @ tensor.T，都可以实现张量的矩阵乘法，当然tensor.mm也是矩阵乘法（这些方法和对应元素相乘区分开） 对应元素相乘 1.初始化张量 tensor = torch.ones(4, 4) tensor[:,1
阅读全文
1
