人工智能学习06--pytorch04--transforms

最新推荐文章于 2025-05-14 16:48:02 发布
原创 最新推荐文章于 2025-05-14 16:48:02 发布 · 636 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #学习 #python

Transforms是PyTorch中用于图像预处理的模块，包括ToTensor用于转换成张量，Normalize进行归一化，Resize按比例调整图像大小，Compose组合多个变换。理解tensor数据类型对于神经网络操作至关重要。此外，文章提到了RandomCrop的使用，注意参数设置以避免不期望的形状。

transforms主要对图片进行一些变换
在这里插入图片描述

transform该如何使用（python）

在这里插入图片描述
在这里插入图片描述
从transform中选择一个class，进行创建
依据创建的工具看需要什么（如img）
在这里插入图片描述

为什么需要tensor的数据类型

tensor数据类型：包装了神经网络所需要的理论基础参数
在这里插入图片描述
tensorboard --logdir=logs

最好把前面用过的那个logs文件夹删掉，冲洗单开终端，或者加上step(不然还可能显示上次的图片
logdir路径可以用绝对路径
在这里插入图片描述
add_image()：
在这里插入图片描述
上个笔记里用的是这个函数的numpy.array类型的参数
这里用的是torch.Tensor类型的参数，可以看出简便了不少

常见的Transforms

在这里插入图片描述

self参数
在这里插入图片描述

1. ToTensor

在这里插入图片描述
在这里插入图片描述

2. Normalize

均值，标准差，通道
在这里插入图片描述
在这里插入图片描述
新版的变成output了
在这里插入图片描述
但好像还是上面那样计算：在这里插入图片描述
在这里插入图片描述

3.Resize

在这里插入图片描述
transforms.Resize(x) 将图片短边缩放至x，长宽比保持不变

可看到图片尺寸改变：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4. Compose

在这里插入图片描述
在这里插入图片描述
Resize（size）
等比例缩放，将图片短边缩放至size，长宽比保持不变，i.e，如果高度>宽度，则图像将被重新缩放为（size*高度/宽度，size）

Compose相当于是一个方法的顺序组合，列表里面放的都是方法，【前一个的【输出】会当成【后一个】的【输入】进行，可以说是一种减少代码的方式

（现在版本用法有更新，还没在这上面写）

RandomCrop

随机裁剪

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
为什么高、宽比例不是我设置的这样呢，看起来还是个正方形……
在参数里面加上中括号就行了，变成sequence格式
在这里插入图片描述
在这里插入图片描述

人工智能---什么是Transformer?
智能汽车人的博客
04-27 3707
Transformer是一种强大的神经网络架构，最初由Google的研究人员在论文《Attention is All You Need》中提出，用于自然语言处理任务，特别是在机器翻译方面取得了巨大成功。Transformer的核心思想是完全基于自注意力机制(self-attention mechanism)来实现序列到序列(sequence-to-sequence)的学习。它在自然语言处理（NLP）和其他序列到序列任务中表现出色，逐渐成为该领域的主流模型。近些年也逐渐在自动驾驶领域有所应用。
机器学习笔记 - 基于pytorch、grad-cam的计算机视觉的高级可解释人工智能
学以致用 知行合一
10-08 1059
​Grad-CAM是常见的神经网络可视化的工具，用于探索模型的可解释性，广泛出现在各大顶会论文中，以详细具体地描述模型的效果。Grad-CAM的好处是，可以在不额外训练的情况下，只使用训练好的权重即可获得热力图。CAM全称Class Activation Mapping，既类别激活映射图，也被称为类别热力图、显著性图等。它是，该图片上每个位置的像素取值范围从0到1，一般用0到255的灰度图表示。。
人工智能（二）-Transformer模型
m0_69270256的博客
05-22 9438
上篇文章以对话模式为例讲了目前人工智能的整体架构，但是大模型依然有很多细节问题，这里作者讲一讲目前的Transformers模型原理。
Transformer 会接管人工智能？
人工智能学家
03-12 360
来源：ScienceAI编辑：绿萝想象一下，你去当地的五金店，在货架上看到一种新的锤子。你听说过这把锤子：它比其他锤子敲得更快、更准确，在过去的几年里，它已经淘汰了许多其他锤子，至少在大多...
一文弄懂--人工智能中的Transformer是什么?
最新发布
实力派，无需多言！
05-14 1546
Transformer是一种革命性的神经网络架构，主要用于处理序列数据，如自然语言处理（NLP）任务。它通过自注意力机制同时处理整个序列，显著提高了处理长距离依赖关系的能力。与传统的循环神经网络（RNN）和卷积神经网络（CNN）相比，Transformer具有更高的并行性和效率，使其在机器翻译、文本生成、语音识别等领域表现出色。Transformer的核心组件包括输入嵌入、位置编码、多头自注意力机制和前馈神经网络。其成功推动了大规模语言模型（如GPT和BERT）的发展，并在多模态AI系统中展现出巨大潜力。T
通用人工智能最新突破！一个Transformer搞定一切
Datawhale
05-24 1104
Datawhale干货编辑：梦晨 鱼羊，来源：量子位通用人工智能，还得看DeepMind。这回，只一个模型，使用相同的权重，不仅把看家本领雅达利游戏玩得飞起。和人类聊聊天、看图写话也不在话下。甚至还能在现实环境里控制机械臂，让其听从指令完成任务！‍模型名为Gato，西班牙语中的“猫”。按照DeepMind的说法，这只猫猫可以使用具有相同权重的同一个神经网络，适应各种不...
Deep-Learning-with-PyTorch-Tutorials-master(1).zip
02-26
《PyTorch深度学习教程全解析》 PyTorch，作为一款开源的机器学习库，以其易用性和灵活性深受广大...通过深入学习本教程，无论你是初学者还是经验丰富的开发者，都能掌握PyTorch的精髓，自如地进行人工智能设计。
alphakappa-Detection-PyTorch-Notebook-master.rar
02-19
AlphaKappa Detection Notebook可能会使用PyTorch的`torchvision.transforms`模块进行这些操作，确保输入到模型的数据具有合适的格式和范围。 四、损失函数与优化器 选择合适的损失函数和优化器是模型训练的关键。...
深度学习------pytorch实现cifar10数据集
m0_47405013的博客
08-03 371
代码】深度学习------pytorch实现cifar10数据集。
人工智能-项目实践-数据增强-基于pytorch的目标检测数据增强工具包.zip
12-28
人工智能-项目实践-数据增强-基于pytorch的目标检测数据增强工具包 基于pytorch的目标检测数据增强工具包。 VOC格式数据集 -> transforms -> 无限dotaloader -> mosaic数据增强 -> anchors匹配 => 输出 : tuple...
【人工智能】图解 Transformer
热门推荐
AI天才研究院
05-23 1万+
另一种方法是保留前两个词（例如，“I”和“a”），然后在下一步中运行模型两次：假设第一个输出位置是“I”这个词，另一次假设第一个输出位置是“a”这个词，考虑到位置#1 和#2，无论哪个版本产生的错误都更少。所有编码器的共同抽象是它们接收一个向量列表，每个向量的大小为 512——在底部编码器中，这将是词嵌入，但在其他编码器中，它将是编码器正下方的输出. 这个列表的大小是我们可以设置的超参数——基本上它是我们训练数据集中最长句子的长度。是从每个编码器的输入向量（在本例中是每个词的嵌入）创建三个向量。
人工智能 自然语言处理 Transformer模型初识
Blog of pengxiaoxing
03-12 496
因为在Transformer的编码器结构中, 并没有针对词汇位置信息的处理，因此需要在Embedding层后加入位置编码器，将词汇位置不同可能会产生不同语义的信息加入到词嵌入张量中, 以弥补位置信息的缺失.相比于编码器部分，每层增加一个子层：多头自注意力子层和规范化层以及一个残差连接。第一个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接。第二个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接。每个编码器层由两个子层连接结构组成。Nx：由N个编码器层堆叠而成。
Transformer
强化学习曾小健
07-22 1181
卷积神经网络的一个优点是它们比 RNN 更可并行化，因为其在每个时间步长的状态只依赖于本地上下文（通过卷积运算），而不是像 RNN 那样依赖过去所有的状态。使用膨胀卷积，可以扩大 CNN 的感受野，使网络有能力捕获更长的上下文（Kalchbrenner等,2016）。CNN 和 LSTM 可以组合和叠加（Wang等,2016），卷积也可以用来加速 LSTM sequence-to-sequence模型的主要瓶颈是需要将源序列的全部内容压缩为一个固定大小的向量。注意力机制通过允许解码器回头查看源序列隐藏状态
transform
godme
04-02 313
文章目录一、 裁剪——Cro...
【学习笔记】【Pytorch】三、常用的Transforms
qq_45772756的博客
01-11 1311
一、Transforms模块介绍 二、transforms.ToTensor类的使用 1.使用说明 2.代码实现 三、transforms.Normalize类的使用 1.使用说明 2.代码实现 四、transforms.Resize类的使用 1.使用说明 2.代码实现 五、transforms.Compose类的使用 1.使用说明 2.代码实现 六、transforms.RandomCrop类的使用 1.使用说明 2.代码实现
基于Transformer的生成式人工智能模型
hepucuncao的博客
12-10 2114
生成式AI是人工智能的一个分支，可以根据已经学习的内容生成新的内容。它从现有的内容中学习的过程叫做训练，训练的结果是创建一个统计模型。当用户给出提示词时，生成式AI将会使用统计模型去预测答案，生成新的文本来回答问题。生成式语言模型：这是基于自然语言处理的技术，通过学习语言的规律和模式来生成新的文本，它可以根据之前的上下文和语义理解生成连贯的句子或段落。生成式语言模型的训练基于大规模的文本数据，例如新闻文章、小说或网页内容。
人工智能 Transformer 技术详解
专栏
04-27 567
尽管如此，Transformer 技术仍在不断发展，各种变体模型和最新的研究进展正致力于克服这些限制，并将其强大的能力扩展到更广泛的应用领域，预示着人工智能技术的未来发展将更加令人期待。除了这些模型之外，还有许多针对特定任务或性能优化的 Transformer 变体，例如 Transformer-XL（用于处理更长的序列）、Reformer（通过哈希和局部敏感哈希降低计算复杂度）、Swin Transformer（用于视觉任务的层次化 Transformer）等。键向量代表每个标记包含的信息；
transform应用
那女孩真拽的博客
05-07 415
1.transform导航 transform导航 ul{ margin:0; padding:0; list-style:none; } li{ float:left; width:100px; text-align: center; height:30px; border:solid 1px #fff; bac
人工智能各领域跨界能手——Transformer
futuregislab的博客
03-17 5071
导读：Transformer源自于AI自然语言处理任务；在计算机视觉领域，近年来Transformer逐渐替代CNN成为一个热门的研究方向。此外，Transformer在文本、语音、视频等多模态领域也在崭露头角。本文对Transformer从诞生到逐渐壮大为AI各领域主流模型的发展过程以及目前研究进展进行梳理，见证Transformer的过人之处。　　
nn-toolbox：PyTorch深度学习实用组件和应用程序库
nn-toolbox是一个为PyTorch深度学习框架设计的高层工具箱，它包含了一系列的组件、过程和应用程序，旨在简化深度学习模型的构建和训练。以下是根据给定文件信息提取的知识点： 1. 深度学习框架PyTorch： - PyTorch...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值