人工智能学习06--pytorch06--神经网络骨架nn.Module & scipy下载 & 现有网络模型的使用及修改（VGG16）

最新推荐文章于 2024-03-05 08:46:08 发布
原创 最新推荐文章于 2024-03-05 08:46:08 发布 · 447 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 #神经网络 #学习

博客围绕神经网络展开，介绍了神经网络骨架nn.Module的继承与初始化，给出scipy的下载命令。还讲述现有网络模型VGG16的使用及修改，如利用其提取特征并改动结构，以适配CFAR10训练。最后提及模型保存的两种方法及加载方式。

神经网络骨架nn.Module

在这里插入图片描述

  • 括号里nn.Module表示继承Module类
  • init 初始化
    调用父类初始化函数
  • forward
    在这里插入图片描述

scipy下载

pip install scipy -i https://pypi.douban.com/simple/
在这里插入图片描述

现有网络模型的使用及修改（VGG16）

在这里插入图片描述
pretrained为True时需要下载，在imageNet上训练
（0.15之后改成weights了）
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
利用现有网络，改动结构
很多框架都利用VGG16提取特征，然后再VGG16后面再加一些网络结构

当前目标：将VGG16改成10中，利用CFAR10训练。

可以加一个线性层，让in_feature=1000，out_feature=10
这种做法只适合前后部分的修改，想要跳层或者跨层连接的话，就只能自己写

在这里插入图片描述
或者加载classifier里面
在这里插入图片描述
或者直接在里面那个Linear里面改
在这里插入图片描述
在这里插入图片描述

模型的保存

  • 方法1

在这里插入图片描述
保存了网络模型中的网络结构和参数

  • 方法一·加载模型
    在这里插入图片描述

  • 方法二（官方推荐）
    输出字典格式
    在这里插入图片描述
    恢复成网络模型：新建网络模型结构
    在这里插入图片描述

如何最简单、通俗地理解Pytorch？神经网络中的“梯度”是怎么自动求出来的？PyTorch的动态计算图是如何实现即时执行的？
05-26 624
PyTorch是一门科学——现代深度学习工程中的一把锋利利器。它的简洁、优雅、强大，正在让越来越多的AI研究者、开发者深度应用。
精华整理几十个Python数据科学、机器学习、深度学习、神经网络、人工智能方面的核心库以及详细使用实战案例，轻松几行代码训练自己的专有人工智能模型
代码讲故事
01-10 2332
精华整理几十个Python数据科学、机器学习、深度学习、神经网络、人工智能方面的核心库以及详细使用实战案例，轻松几行代码训练自己的专有人工智能模型。 机器学习 人工智能的核心，是使计算机具有智能的根本途径。机器学习专注于算法，允许机器学习而不需要编程，并在暴露于新数据时进行更改，让计算机不依赖确定的编码指令，模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。基于处理数据种类的不同，可分为有监督学习、无监督学习、半监督学习和强化学习等几种类型。
scipy安装包
05-19
SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器
【学习笔记】【Pytorch】十四、现有网络模型的使用及修改
qq_45772756的博客
01-16 624
VGG16网络模型是一个1000分类问题，将其网络修改成10分类问题： - 法1：在最后的全连接层添加一个int_features=1000，out_features=10的线性层。 - 法2：修改全连接层中最后一个线性层的out_features=10。
python scipy下载_scipy下载|scipy python2.7 Windows版下载 V0.18.1 官方版 - 比克尔下载
weixin_33375038的博客
03-01 836
scipy python2.7 Windows版是一款基于python2.7制作的科学计算工具包，可以适用于数学、科学、工程等项目的开发计算，另外，还提供了绘图包，可以进行2D和3D的绘图，是使用python进行开发的必备工具。scipy是什么SciPy(发音为“Sigh Pie”)是一个基于Python的数学，科学和工程开源软件生态系统。scipy核心包介绍1、Python，一种通用编程语言。它...
Windows下载安装Numpy、Scipy、py-matplotlib
dielonglu3972的博客
11-21 669
一、安装环境 Windows10 64、python2.7 二、Numpy下载 1、下载Numpy: 下载地址:https://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy cp27表示python2.7，因为我的python是amd64的，所以我下载了numpy‑1.13.3+mkl‑cp27‑cp27m‑win_amd64.whl ...
MATLAB算法实战应用案例精讲-【神经网络】Transformer
qq_36130719的博客
11-21 1573
2017年6月，Google在arxiv上发布了一篇非常经典的论文：Attention is all you need，提出了解决seq2seq问题的Transformer模型，用全Attention的结构代替了LSTM，在减少计算量和提高并行效率的同时还取得了更好的结果。目前，该模型已被广泛运用在机器翻译，问答系统，实体识别等各种任务。transformer在NLP的多个任务上取得了非常好的效果，可以说目前NLP发展都离不开transformer。
Pytorch学习
咬树羊的博客
03-17 1196
pytorch
UV-Net的复现
bettle_king的博客
03-05 1582
SolidLetters数据集由96k个3D形状组成。train.txt和test.txt存的是训练和测试的标签名称，是一个字符串。
scipy-1.0.0.tar.gz
03-15
scipy-1.0.0.tar.gz
scipy-0.19.1.tar.gz
10-27
SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等等.
scipy手动安装包
09-24
有时候我们采用pip install scipy 总是出错，比如错误如下： lapack_mkl_info: libraries mkl_rt not found in ['d:\\python27\\lib', 'C:\\', 'd:\\python27\ \libs'] NOT AVAILABLE openblas_lapack_info: libraries openblas not found in ['d:\\python27\\lib', 'C:\\', 'd:\\python2 7\\libs'] NOT AVAILABLE ...... 可以先下载这两个包，再使用如下命令进行安装。 对于python2，命令：pip2 install scipy-1.0.0b1-cp27-none-win_amd64.whl 对于python3，命令：pip3 install scipy-1.0.0b1-cp36-none-win_amd64.whl 就能将scipy安装到机器上进行科学计算了。 希望能够帮助到大家。谢谢了！
scipy的Windows安装包
04-03
文件是python2.7的Windows64位的scipy库，主要是官网和pypi.python.org下载太慢了。
SciPy 安装
吴吃辣
10-16 1465
章节SciPy 介绍 SciPy 安装 SciPy 基础功能 SciPy 特殊函数 SciPy k均值聚类 SciPy 常量 SciPy fftpack(傅里叶变换) SciPy 积分 SciPy 插值 SciPy 输入输出 SciPy 线性代数 SciPy 图像处理 SciPy 优化 SciPy 信号处理 SciPy 统计 SciPy 安装 确保已经安装pip。 最佳实践是，一起安装NumP...
Scipy
zhj的博客
06-05 467
Exercise 10.1: Least squaresGenerate matrix A ∈ Rm×n with m > n. Also generate some vector b ∈ Rm.Now find x = arg minx ∥Ax − b∥2.Print the norm of the residual.
十五、修改VGG16网络来适应自己的需求
beyond谚语的博客
08-22 2233
vgg16_false = torchvision . models . vgg16(pretrained = False) #加载未经ImageNet数据集训练的VGG16网络模型架构 print(vgg16_false) #原始VGG16网络结构 """VGG()))""" """向VGG中添加一个名叫add_linear的线性层Linear。
神经网络改进常用模块（需要一定的修改）
weixin_50996318的博客
10-10 525
神经网络中即插即用模块（需要一定动手能力）
你已经拥有 Wi-Pose 数据集，这是目前为数不多的 WiFi 信道状态信息（CSI）与人体姿态估计联合建模 的公开数据集。为了基于该数据集完成一个完整的 WiFi-based Pose Estimation 项目（如复现 CSI-Former 或构建自己的模型），以下是详细的流程说明与要求，涵盖从环境准备、数据理解、模型构建、训练到评估，并给出可扩展方向。 🧭 一、项目目标概述 利用 Wi-Pose 数据集，基于 WiFi 的 CSI 信号，实现对人体姿态的估计（Pose Estimation），最终输出 18 个关键骨骼点的二维坐标。 🧱 二、环境准备与依赖要求 1. 硬件要求（推荐配置） 表格 复制 项目 要求 GPU NVIDIA GPU（≥ 8GB 显存），用于训练 Transformer/Performer 模型 内存 ≥ 16GB RAM 存储 ≥ 50GB 可用空间（数据集 + 模型 + 日志） 2. 软件依赖 bash 复制 # 基础环境 Python >= 3.8 CUDA >= 11.1 PyTorch >= 1.7.0 torchvision numpy matplotlib scipy scikit-learn tqdm tensorboard # 可视化训练过程 # 可选加速 pip install performer-pytorch # 若使用 Performer 模块 📦 三、Wi-Pose 数据集结构说明 Wi-Pose 数据集包含： 表格 复制 内容 描述 CSI 数据 5GHz WiFi 信道状态信息（CSI），每个样本为 5 × 30 × 3 × 3 图像 对应时间戳的 RGB 图像（用于 Alphapose 标注） 姿态标签 18 个关键点 (x, y, confidence)，共 18 × 3 = 54 维 动作类别 12 种动作（bend, run, wave, jump 等） 示例数据结构（建议格式）： 复制 Wi-Pose/ ├── train/ │ ├── csi/ # ndarray: (N, 5, 30, 3, 3) │ ├── pose/ # ndarray: (N, 18, 3) [x, y, c] │ └── img/ # optional，用于可视化 ├── test/ │ └── (同上) ├── metadata.json # 描述采样频率、动作类别、志愿者信息等 🧠 四、模型构建与流程设计 1. 整体流程图（建议复现 CSI-Former） plaintext 复制 [CSI 数据] → [Encoder] → [Performer 特征提取器] → [Decoder] → [姿态估计矩阵] ↑ [Alphapose 标签监督] 2. 网络结构模块（参考 CSI-Former） a. Encoder（输入处理） 输入：CSI (5, 30, 3, 3) 展平 + 插值 → (150, 18, 18)，适配后续 SAM（Skeleton Adjacency Matrix） b. 特征提取器（核心） 使用 12 层 Performer（或 Transformer） 多头注意力机制提取 CSI 中与姿态相关的子载波特征 输出：Ft (150, 18, 18) c. Decoder（输出姿态） 卷积层（3×3）+ ReLU + BatchNorm → (32, 18, 18) 卷积层（1×1）→ (2, 18, 18)（输出 x, y 坐标） 可选：输出 confidence（可训练） 3. 损失函数（L2 + Confidence 加权） Python 复制 L = Σ_i [c_i * ( (x_i - x̂_i)^2 + (y_i - ŷ_i)^2 ) ] c_i：Alphapose 提供的 confidence x_i, y_i：真值 x̂_i, ŷ_i：模型预测 🏋️ 五、训练流程详细步骤 1. 数据预处理 归一化 CSI 数据（按子载波或全局） 对齐图像与 CSI（5 CSI 帧 ←→ 1 图像帧） 构建 SAM（Skeleton Adjacency Matrix）作为监督目标 划分训练集 / 测试集（80% / 20%） 2. 模型初始化 初始化 Performer 参数（使用 Xavier 或 Kaiming） 加载 Alphapose 标签作为 ground truth（无需再运行 Alphapose） 3. 训练参数设置（参考） 表格 复制 参数 值 Epoch 50 Batch Size 8 Optimizer Adam Learning Rate 0.005（每 10 epoch 减半） Loss L2 weighted by confidence 4. 训练监控 使用 TensorBoard 记录 loss 和 PCK@5 每 epoch 保存模型权重 早停机制（若 PCK@5 连续 5 epoch 不升） 📊 六、评估指标 1. PCK（Percentage of Correct Keypoints） 归一化距离阈值（如 5%、10%、...、50%） 参考躯干直径（Torso Diameter）作为归一化基准 计算每个关键点的准确率，最后平均 Python 复制 PCK@5 = average( δ( ||pred_i - gt_i|| / torso_diameter < 0.05 ) ) 2. 可视化评估 将预测的骨骼点绘制在图像上 与 Alphapose 结果对比 检查不同动作、不同体型志愿者的泛化能力 🔁 七、可选扩展方向 表格 复制 方向 描述 多模态融合 将 CSI 与图像融合，提升精度 多人姿态估计 当前 CSI-Former 仅支持单人 实时推理优化 模型压缩 / 移动部署 跨环境泛化 在不同房间、不同设备上测试 自监督学习 不依赖 Alphapose，尝试对比学习 ✅ 八、最终交付物建议 表格 复制 项目 内容 模型权重 .pth 文件，支持加载推理 训练日志 TensorBoard 日志、loss 曲线、PCK 表格 可视化结果 图像 + 预测骨骼点 + GT 对比图 代码结构 train.py, model.py, dataset.py, eval.py, utils.py 技术文档 数据说明、模型结构、训练流程、评估结果 📌 九、注意事项与建议 CSI 数据质量敏感，建议检查是否存在异常值或同步误差 注意归一化方式，不同通道幅度差异大 避免过拟合：加入 dropout、正则项、数据增强（如 CSI 随机掩码） 可复现性：固定随机种子（torch.manual_seed(42)） 给出我复现之后的完整的可运行程序
最新发布
11-07
根据要求，我们将使用Wi-Pose数据集，并尝试复现CSI-Former模型（或类似的基于Transformer/Performer的模型）。以下是一个完整的可运行程序，包括数据加载、模型构建、训练和评估流程。 我们将按照以下步骤组织代码...
评论
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