- 博客(18)
- 收藏
- 关注
RSS订阅原创 ImageFolder
torchvision.datasets.ImageFolder是PyTorch中用于加载数据集（异于前几次使用的MNIST、FashionMNIST数据集）的使用工具类，特别适合按类别组织的自制数据集。加载的数据集目录文件格式如下参数方面root：图片存储的根目录，即各类别文件夹所在目录的上一级目录transform：对图片进行预处理的操作，原始图片作为输入，返回一个处理之后的图片（与其他数据集打开时的transform用法一样）
2025-06-20 21:22:21
520
原创 FashionMNIST数据集
FashionMNIST数据集是Zalando的研究论文中提出的一个数据集，其中训练数据集含有60000个实例，测试数据集含有10000个数据集。
2025-06-20 20:25:00
476
原创 关于LeNet训练模型的验证
LeNet模型学习的末尾，由于训练模型对如下图所示类型的数字（0~9十个数字）逐个进行预测，最初的准确率仅为10%，后经过对训练轮数epochs、DataLoader中的batch_size、学习速率lr参数进行调整，在调整为batch_size=256 lr=0.01（还是原来的大小，调整为0.01时准确率又下降了），epochs=40时，准确率达到目前验证的最大值50%，但相对于训练过程中的99.6%差距不是一点了。但并没有看出有什么问题。
2025-06-17 17:42:52
249
2
原创 MNIST数据集
MNIST（Modified National Institute of Standards and Technology database）是机器学习领域中最经典的手写数字图像数据集之一，常被用作图像分类任务的入门级数据集，也称为“机器学习的Hello World”
2025-06-17 17:39:33
674
原创 训练模型中的部分参数
首先要确保batch_size不会让你的内存溢出。一般来说，可以先尝试应该中等大小的batch_size，比如64or128对于小型数据集，使用较小的batch_size较好；对于大型数据集，则可以尝试使用较大的batch_size通常情况下，当增大batch_size时，需要相应地提高学习率，以保持训练的稳定性batch_size是一个重要的超参数，可以通过交叉验证等方法来找到最适合模型的batch_size值主要还是根据自己电脑的性能和数据集特点来选择合适的batch_size值。
2025-06-15 18:51:23
557
原创 经典模型学习（1）：LeNet
LeNet 神经网络是最早成功应用于实际场景的卷积神经网络（CNN）之一，由 Yann LeCun （他同时也是卷积神经网络（CNNConvolutional Neural Networks)之父）等人于 1998 年提出，在手写数字识别领域具有里程碑意义，为后续深度学习的发展奠定了重要基础。LeNet的实现确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如：卷积层、Pooling、ReLU层。
2025-06-15 17:43:01
1023
原创 完整的模型验证套路
代码中对image进行了GPU训练，这是因为保存的模型为GPU训练之后的，如果输入的image为CPU上的，则会运行报错。使用的为训练完第十次的网络模型对下载图片进行检测，也是侥幸预测成功了（3：cat）完整的模型验证（测试，demo）套路：利用训练好的模型，然后给它通过输入。
2025-06-14 19:04:38
248
原创 GPU训练模型
流程：首先在代码前面定义一个训练使用的设备device(设置cuda、cpu)，之后便于方式一差不多，找到网络模型、输入的数据、损失函数，调用.to(device)方法。导入time模块，调用time()方法获得训练模型前后的时间，得到训练过程所消耗的时间，对比普通训练模型与GPU训练模型的时间差距。在设置训练设备device时，也可以通过if语句判断cuda是否可用，来决定设备类型（即优先GPU训练否则CPU）在训练模型中，找到三个变量，网络模型、输入的数据、损失函数，并调用cuda()方法，即可。
2025-06-14 18:17:55
246
原创 完整的模型训练套路
例如：（二分类问题）现将多个数据输入到神经网络模型中，得到的输出实际是[0.1, 0.2]这种结果，每个数为预测图片的特征，根据概率大小可知模型预测该输入的类别为1，而实际的target为0，在这个预测结果与实际target比较的过程实现中，PyTorch提供了一个argmax方法，这个方法可求出每个结果中的最大值所在的位置（即可获得预测类别的下标，并能与target进行比对），将每组预测成功的数据个数相加即可求出准确率相关的数据。model.py文件写神经网络的搭建。train.py 写训练模型的步骤。
2025-06-14 17:33:41
186
原创 网络模型的保存与读取
self.flatten = Flatten() # 数据尺寸 1024=64*4*4# 经过Flatten层之后 还需经过线性层处理return x当我们直接在一个新的.py文件中读取保存的模型时，会报错属性错误：无法在模块main（自 D:\exercise\pytorch\main.py 文件）上获取属性 NetWork主要原因是找不到该模型的类，因此方式一读取自定义的神经网络时需要写上类的定义self.flatten = Flatten() # 数据尺寸 1024=64*4*4。
2025-06-14 13:38:30
310
原创 PyTorch提供的网络模型
进入PyTorch官方，进入torchvision->Models and pre-trained weights。
2025-06-14 13:01:13
490
原创 神经网络-Neural NetWork
nn.Module是所有神经网络模块的基类，其作用主要是构建和组成复杂的神经网络架构。主要作用：1、借助继承nn.module，能够自定义神经网络层和模型。要自定义模型，需要重写__init__方法来定义网络组件，同时重写forward方法来规定数据的前向传播路径。从PyTorch打开其官方文档，可查看该基类中含有的各种处理方式其中Containers为torch.nn提供了一个骨架（结构），我们只需向这个结构中放入不同的内容，从而组成一个神经网络Containers下方的是要往骨架中填充的内容。
2025-06-13 20:44:39
1130
原创 DataLoader
通过Dataset提取出的仍是一种散开形式的数据，对此通常需要对这些数据进行一种打包操作，DataLoader可以完成这种功能，即批量整合数据DataLoader：将全部数据通过batch_size的大小进行整理（每组数据的数量为batch_size大小） 例如batch_size为3时，DataLoader可将数据每三个整合成一个数据 （为后面的神经网络提供不同的数据形式）
2025-06-10 21:21:11
615
原创 torchvision
torchvision是PyTorch中的一个重要的扩展库，主要用于计算机视觉任务，提供丰富的工具和资源，其核心功能包括：预训练模型：提供AlexNet、VGG、ResNet、Inception等经典神经网络的预训练权重，可直接用于迁移学习。数据集：内置有MNIST、EMNIST、ImageNet等常用数据集，支持在线直接下载和加载。图像变换：包含resize、crop、normlize等常用数据预处理方法。视觉工具：提供ImageFolder数据加载器、模型可视化和目标检测/分割的实用函数。
2025-06-10 16:33:46
728
原创 transform
1、在使用前先要关注输入输出（需要输入的数据的数据类型、得到的输出的数据的数据类型）2、多看官方文档3、实例化对象时的所需参数、参数类型4、不知道数据类型的时候、不知道返回值的时候，print或者print(type())或者debug或者查资料。
2025-06-10 16:33:33
777
原创 Tensorboard
Tensorboard是一个可视化的工具，能够将模型等程序运行的过程中的各种数据展现出来。借助Tensorboard我们可以实现实时监控训练过程中的各项指标（损失值、准确率等标量数据），能够以折线图的形式呈现，让训练趋势一目了然。可以在Tensorboard中查看输入的图像、生成的图像结果，以及音频波形等原始数据，增强对数据的直观认识。
2025-06-09 21:44:20
960
原创 Dataset
PyTorch读取数据，涉及到两个类，其中一个即为Dataset通过继承Dataset类class MyData(Dataset)，实现__len__和__getitem__方法，可以自定义自己的数据集类以适应不同的数据源和格式蚂蚁蜜蜂/练手数据集：链接:5suq。
2025-06-09 17:58:27
663
1
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