- 博客(21)
- 收藏
- 关注
RSS订阅原创 TR3--Transformer之pytorch复现
**🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/o-DaK6aQQLkJ8uE4YX1p3Q) 中的学习记录博客**- **🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)**
2025-10-17 19:50:21
299
原创 Yolov5的训练解析--Y2
利用参数两个参数解析器将文件目录定位至输入区--Annotations 作为xml文件的存放地点，--ImageSets/Main作为输出文件的存放点，说白了如果用到xml文件就是读Annotations里面的文件，最后得到的文件保存在ImageSets/Main这个目录下。
2025-10-10 18:04:23
665
原创 Inception V3--J9
首先，特征经过1*1的卷积块进行1*1的特征提取，保证小尺度的特征能够被提取，然后进入5*5的卷积块，在5*5的卷积块中先进行1*1的卷积降维，使得通道数缩减，降低计算量，然后进行5*5的大尺度特征提取，之后进入双3*3的卷积块，在该卷积块中，首先会进入1*1的卷积块进行降维，然后通过第一层3*3的卷积块，在提取特征的同时，进行维度提升，之后进入第二层的3*3模块，进行特征提取，实现中尺度的特征提取，最后进入池化块，进行特征增强，这便是整体的InceptionA模块。网络结构3--InceptionC。
2025-10-03 18:25:18
980
原创 Inception V1--J8
之后进入inception模块组，首先进入3a,3b两组，使得特征(-1,192,28,28)变为(-1,480,28,28)，进行一次密集的卷积模块，通过3*3池化层进行降维，降低计算量，然后进入4a,4b,4c,4d,4e五个Inception_block模块再次进行密集卷积，再通过一层池化层降低计算量，最后两层inception模块，使得特征变为(-1,1024,7,7),然后通过一层池化层将特征变为(-1,1024,1,1),然后利用全连接层将特征映射到分类类别上，实现整体网络。
2025-09-26 20:58:35
299
原创 ResNeXt-50--分组卷积--J6
第二层开始进行分组卷积，采用3*3的卷积核，对每组进行通道数目不变的卷积，卷积组数为指定的分组数量，在分组卷积过后，采用1*1的卷积核进行升维，将输出通道扩大为原来的两倍，最后进行一层卷积残差连接，将原数据进行1*1的卷积扩大维度，与分层卷积后的结果相加，实现特征的融合。在利用一层7*7大小卷积核的全局池化层将特征图转为1*1的大小，只保留通道特征，从而降低计算量，然后利用全连接层进行分类，输出概率，实现整个网络。网络结构1--残差块。
2025-09-26 20:57:40
384
原创 DenseNet网络与Self Attention注意力机制的结合--J5
在自注意力机制中，首先会进行由1*1的核进行的全局池化，通过全局池化，使特征转变为(-1,channel,1,1) 只保留通道数目，提取通道的全局信息，将所有信息压缩，使得只关注通道对特征的影响，从而选取影响度高的通道，这就是自注意力机制的关注点，然后建立一个全连接层，全连接层中，首先通过线性层进行降维，输入为输入特征，输出为对输入特征进行压缩，通过除reduction实现，这样可以保证在参数量减少的同时，提高对通道特征的判断。稠密层是稠密块组成的基石。而过渡层的实现则是通过1*1的卷积层和2*2池化层。
2025-09-26 15:42:57
443
原创 DensetNet与ResNet的结合初试
在ResNet网络中，最重要的两个部分是残差恒等连接模块和卷积残差连接模块，而其中卷积残差连接模块主要用于维度的提升，而相比ResNet，DenseNet网络中维度的提升则是用稠密块内部利用多层denselayer进行累计提升，实现的效果理论上要远优于ResNet网络，所以这个点应该应用不上，这也是为什么主架构是DenseNet网络而不是ResNet。
2025-09-16 18:42:21
583
原创 DenseNet网络
首先定义了开始的网络层conv0，norm0,relu0,pool0,其中conv0为输入通道为3，输出通道为init_channel的卷积核大小为7，步长为2的卷积层，先通过这第一块的结构对特征进行提取，然后接下来构建稠密块，将每一个稠密块内的denselayer层的所有特征合并，将合并完的特征通过transition进行降维操作，循环构建所有的稠密块，然后通过循环对每一层的参数根据层的特性进行初始化，避免一些后续的训练问题。可以看到，相对残差神经网络，效果还是相对好一点的。
2025-09-11 20:17:08
1954
原创 ResNet50V2--深度残差神经网络改进版
**🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/rnFa-IeY93EpjVu0yzzjkw) 中的学习记录博客**1.第一次尝试，将原来的残差恒等连接和卷积残差连接中的conv层-bn层-relu层修改为bn层-relu层-conv层，结构变为。- **🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)**第二次尝试，在第一次的尝试的基础上，在恒等残差连接层和卷积残差层之后加上了bn层和relu层。
2025-09-11 18:38:09
354
原创 ResNet-50---深度残差神经网络
整体流程为特征先通过第一个1*1的卷积层，通过1*1的卷积激活，使得网络具备更加强大的非线性激活能力，然后通过指定卷积核大小(通常是3*3)的卷积层实现基础的卷积提取特征的功能，同时要保证尺寸不变，便于后续的残差连接，然后再通过1*1的卷积核进行通道扩充，增加对高维度信息的提取能力，第四个卷积核将数据通道连接到与第三个卷积核相同的通道，实现再第三层卷积后与之前的数据尺寸匹配的问题，然后进行残差连接 ，这便是整个convblock所实现的流程。
2025-09-08 21:07:27
1042
原创 深度学习--week_10-新手小白入门之路
本文采用pytorch实现对车牌的识别，本文重点在于自定义数据集的构建，学会自己定义数据集，从而实现对模型的识别和训练。
2025-09-02 19:46:01
961
原创 深度学习--week_9-新手小白入门之路
本文利用backbone模块进行yolov网络搭建，实现对天气图片的识别。本次内容注重网络结构部分，主要重难点在于网络结构的组成和搭建。数据集为天气识别数据集，可由网上自由下载，这里不提供下载途径了，数据集介绍，数据集中一共有1126张图片，分为cloudy,rain,shine,sunrise四个类别，我们的目标就是通过自主划分训练集和验证集，使得网络在验证集上实现精准分类。
2025-08-25 10:11:46
601
原创 深度学习--week_8-新手小白入门之路
本文将利用yolov5中的C3模块搭建网络，实现对天气图片的情况识别，这里主要目的是了解C3模块结构，方便后续yolov5的算法学习。
2025-08-22 17:41:00
837
原创 深度学习--week_7-新手小白入门之路
数据集包括各种疾病的马铃薯植物的高分辨率图像，利用图片进行对马铃薯疾病进行判断。以上便是该次实践的全部内容，全部代码已经呈现，有需要的一段一段复制运行即可，如有问题，可在评论区指出（也可私聊），博主会欣然改正，有疑问或者好的建议也可私信博主，相信你能看到这里，应该会有点收获，如果给你带来了收获，那至少我会感到很荣幸，博主这么久的心血也没有白费（好吧这篇比较水），码字不易，给个三连，球球了。
2025-08-15 17:36:33
580
原创 深度学习--week_6-新手小白入门之路
本文实现的是调用官方VGG16算法实现人脸的识别。本文主要目标是学会使用调用官方VGG-16网络进行预测，初步认识VGG16网络的原理和实现，加深对卷积神经网络的理解和应用。如果对卷积神经网络基础有缺可参考前几篇博客。将读取的数据利用.class_to_idx方法进行类别离散化#标签类别。
2025-08-04 15:50:54
1830
原创 深度学习--week_5-新手小白入门之路
本文实现用pytorch实现运动鞋识别，是对之前博客所讲知识点的加深理解和应用，如果基础有缺可参考前几篇博客，本文重点在在于如何设置动态学习率，怎么应用动态学习率，以及保存最佳模型权重并使用最佳模型权重预测数据。同时加深对网络结构的理解和应用。数据集可由网上自由下载，数据集已经进行训练集和测试集划分，并且分类好了，我们只需要导入数据即可。
2025-08-01 15:54:31
1060
原创 深度学习--week_4-新手小白入门之路
本文利用CNN卷积神经网络实现猴痘病的识别，是对之前的博客之前的知识点的充分利用和理解加深，如果基础有缺可参考前几篇博客,本文额外知识点在于如何保存最优模型，以及使用最优模型进行预测，同时可加深对卷积神经网络的理解，同时学会如何设置动态学习率，利用动态学习率对模型调整。希望本文能对你有所帮助，如有不足，请多多包涵。接下来进入正文。本文所用环境如下：编译环境 pytho==3.8编译器 Jupyter Labdevice运行 输出为 device(type='cuda')数据集可有网上自由下载，
2025-07-31 16:00:35
883
原创 深度学习--week_3-新手小白入门之路
本文利用pytorch实现CNN卷积神经网络识别天气，是对上两篇博客的知识点使用，如若基础有缺请返回上两篇博客查看详细内容。本文主要聚焦于搭建卷积神经网络，如何提升预测的性能以及预测准确率，希望本文能对你有所帮助，如有不足，请多多包涵。接下来进入正文。数据集为天气识别数据集，可由网上自由下载，这里不提供下载途径了，数据集介绍，数据集中一共有1126张图片，分为cloudy,rain,shine,sunrise四个类别，我们的目标就是通过自主划分训练集和验证集，使得网络在验证集上实现精准分类。
2025-07-30 17:00:55
727
原创 深度学习--week_2-新手小白入门之路
本文用pytorch实现CIFAR10彩色图片识别项目，是在上一篇博客的基础上进行知识点加深理解，如果读者基础有缺，建议先参考第一篇文章，本文主要理解的是多通道卷积网络的卷积过程，带你深化卷积神经网络的各层结构和网络之间的基本流程，实现卷积神经网络的理解和使用。希望本文能对你有所帮助，如有不足，请多多包涵。接下来进入正文。
2025-07-29 16:43:31
2097
原创 深度学习--week_1--新手小白入门之路
本文利用pytorch实现手写数字识别这一项目，带你从0到1实现卷积神经网络的使用，并帮助你理解卷积神经网络的基本流程。希望本文所述能对你有所帮助，如有不足，还请多多包含。接下来，进入正文。本文数据集使用的是mnist手写数据集，数据集可由网上自由下载，下面是为大家整理好的数据集(如果依照本文使用的话，只需将把数据集那个文件夹data与代码置于同一目录下即可)：通过网盘分享的文件：链接: https://pan.baidu.com/s/1vWxArnDiS8vHvcoh3Xhq0A?
2025-07-28 16:03:41
1102
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人