墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
310平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
PyTorch迁移学习核心技巧：模型加载、按需初始化权重和分组设置学习率
迁移学习是深度学习中常用的技术，它通过利用已经在大规模数据集上训练好的模型，来解决在新任务上的问题。在PyTorch中，迁移学习可以通过加载预训练模型、按需初始化模块权重和设置不同层的学习率来实现。本文将详细介绍这些核心技巧，并提供相应的源代码。
torchvision.models模块，其中包含了一些常用的预训练模型，如ResNet、VGG等。我们可以使用该模块提供的函数加载预训练模型，并将其用于新任务。下面是加载ResNet-18预训练模型的示例代码：
import torch
import torchvision.models as models
# 加载预训练模型
model = models.resnet18(【图像分类】实战篇 （2）5分钟学会用迁移学习ResNet50训练自己的图像分类模型（鸟类识别为例）
此项目主要是小白入门教学，项目可以直接运行，需要请私信！！！图像分类是深度学习图像处理领域最基本的识别任务。先上结果。
迁移学习实战指南：从预训练模型微调到工业部署
迁移学习是一种利用大规模预训练模型知识解决小样本、低资源任务的关键技术。其核心原理在于深度网络的分层特征抽象性——浅层提取通用边缘纹理，中层捕获部件结构，深层承载任务特异性语义。这种特性使模型能在图像分类、缺陷检测、医疗影像等场景中实现高效复用，显著降低数据需求与训练成本。在工业实践中，迁移学习的价值不仅体现在准确率提升（如94.6%验证精度），更在于工程可行性：通过冻结主干、分层微调、适配输入模态与归一化参数，可快速构建鲁棒模型。本文聚焦PyTorch实操，覆盖数据准备、学习率策略、错误分析及ONNX部署
fast.ai深度学习实践：7个工程化思维断点与学习率调优核心
深度学习模型开发中，数据质量、归一化策略、学习率选择等基础决策远比模型结构更影响最终效果。其原理在于：神经网络训练本质是高维非凸优化过程，输入分布偏移会破坏梯度稳定性，而学习率直接决定参数更新步长与收敛路径。技术价值体现在显著降低试错成本、提升模型交付确定性——尤其在标注数据有限、业务迭代紧迫的工业场景中。典型应用场景包括图像分类、医疗影像分析、卫星遥感识别及边缘部署等。本文聚焦 fast.ai 实践体系中的关键认知断点，深入解析学习率调优方法论与数据归一化陷阱，提供可复用的工程化诊断框架。
tensor_of_ice：PyTorch 中张量冻结的原理、实战与常见坑
张量（Tensor）是深度学习框架中的核心数据结构，而自动求导机制（autograd）则是驱动模型训练的关键引擎。在训练和部署过程中，控制哪些张量参与梯度更新，哪些保持“冷”状态，是一项重要的工程能力。通过设置 requires_grad=False、使用 torch.no_grad() 以及优化器参数过滤，我们可以精准地冻结模型中的部分参数，从而降低显存占用、防止小数据过拟合、加速训练，并支持迁移学习、参数高效微调（LoRA、Adapter）等主流技术。本文以 tensor_of_ice 项目为切入点，系
pytorch 16 迁移学习核心技巧·从模型加载到按需初始化模块权重，再到各layer分组设置学习率
实现加载模型任意权重，自动跳过不匹配的layer（name不匹配，权重shape不匹配），该操作通常用在迁移学习模型加载中。 实现对模型中不同moudle甚至不同name的layer进行不同方式的初始化，该操作通常用在迁移学习模型初始化中。 实现对模型中不同的部分设置不同的学习率（支持冻结某些layer），该操作通常用在迁移学习模型训练阶段中。
VGG16迁移学习实现草药图像分类：冻结策略与微调实战
在计算机视觉领域，小样本图像分类常因数据量不足而陷入过拟合困境。迁移学习作为解决该问题的核心技术，通过复用预训练模型在大型数据集上学到的通用特征，显著降低了对目标域数据量的要求。VGG16作为经典卷积神经网络，凭借规整的结构和成熟的ImageNet预训练权重，成为迁移学习的高频基线模型。其分层特征提取能力——底层捕获边缘纹理、高层表达语义组合——与冻结解冻策略天然契合，能够有效适应草药叶片等细粒度识别任务。本文从数据集组织与预处理出发，系统阐述PyTorch环境下VGG16的迁移学习实现路径：如何冻结底层卷
用pytorch实现基于迁移学习的图像分类
用pytorch实现基于迁移学习的图像分类代码，并在猫狗数据集上进行训练和预测。 教程见 https://adrianna.blog.youkuaiyun.com/article/details/105126368 数据集下载地址：https://www.kaggle.com/tongpython/cat-and-dog/data
WOFOST模型参数调优实战：从‘跑不通’到‘预测准’的避坑指南
本文详细介绍了WOFOST模型参数调优的实战技巧，帮助用户从模型报错诊断到参数敏感性分析，再到土壤-作物参数联调策略，逐步解决‘跑不通’到‘预测准’的问题。通过Python和PCSE工具，提供参数扰动测试模板和关键参数优先级矩阵，助力作物模型的高效校准与预测。
光模块MCU开发全解析：从架构原理到固件调试实战
在高速光模块中，MCU并非传统印象里的核心处理器，而是负责数字诊断、闭环控制和协议管理的嵌入式管家。随着800G、1.6T模块的普及，MCU与DSP/SoC的协同、I2C总线通信、ADC采集、APC/TEC控制等低速域任务愈发关键。理解MCU的选型规格、启动流程和固件设计，是保障光模块稳定运行的基础。本文从光模块架构切入，剖析MCU的角色定位，详细拆解I2C从机实现、电芯片配置、校准与升级等工程细节，并结合实际调试经验梳理常见故障与排查思路，为嵌入式工程师提供一份可落地的光模块MCU开发指南。
DDR4 硬件设计笔记
DDR4-DRAM是第四代支持双倍数据读取，支持随机位置存取的静态存储器。DDR4-DRAM的工作原理。DDR之T拓扑和Fly-by拓扑。DDR的硬件设计。DDR4 PCB设计要点介绍。DDR4之PCB走线间距的串扰评估。DDR4之内存通道(channel)和内存列(rank)。
用ESP32-S3+OV2640摄像头+ILI9488屏，DIY一个能联网的智能猫眼（附完整代码）
本文详细介绍了如何利用ESP32-S3微控制器搭配OV2640摄像头和ILI9488显示屏，DIY一个功能强大的智能猫眼系统。从硬件选型、电路设计到软件开发，提供了完整的解决方案和优化技巧，包括图像采集显示、WiFi远程访问及低功耗设计，适合智能家居爱好者动手实践。
变压器励磁电感、励磁电流、漏感、漏感折算
励磁、漏感知识整理
Apache Jena SPARQL 查询完全指南：入门与实战案例
本文介绍了使用Apache Jena执行SPARQL查询的完整指南。SPARQL是用于RDF数据的标准查询语言，在知识图谱领域地位相当于SQL。教程从基础开始，涵盖创建模型、加载数据以及执行各种查询类型。特别强调了WHERE子句中的图模式匹配机制，通过Mermaid图直观展示数据图与查询图的匹配过程。文章还对比了变量命名规范（?和$前缀），解释了SPARQL引擎如何通过变量绑定实现数据检索。通过Hello World示例演示了完整查询流程，为开发者提供了SPARQL的实用入门指导。
yolov26改进 | Neck篇 | 利用Gold-YOLO改进yolov26对小目标检测能力（全网独家首发）
本文介绍利用Gold-YOLO的Neck改进YOLOv26，通过信息聚集—分发机制GD，先全局汇聚不同层级特征，再将融合后的全局信息重新注入各尺度分支，增强浅层细节与深层语义之间的交互，减少传统Neck逐层传递造成的信息损失。该结构虽然融合路径更长，但能够在不过度增加延迟的前提下提升多尺度目标检测能力，尤其适合大小目标并存、尺度变化明显和复杂背景场景。本文将讲解GD机制、Neck替换、模块注册与配置方法，并提供完整代码、配置文件及Codex修改思路，方便直接复现、实验对比和二次创新。
用 ADT 连接 SAP S/4HANA Public Cloud 开发租户的完整落地指南
摘要：在SAP S/4HANA公有云中进行ABAP开发时，必须使用Development Tenant（客户端080）而非Customizing Tenant（客户端100）连接ADT工具。开发用户需具备SAP_BR_DEVELOPER角色且写权限不受限，开发对象应创建在结构包的子包中。连接前需确认正确的ABAP服务URL（通常为Launchpad URL去掉"/ui"），并通过运行控制台程序验证全链路功能。典型开发场景如通过BAdI实现业务校验时，需遵循Clean Core原则在指定包
IMSL CNL 7.0.0 (x86-64)Crack
IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1万+
扫一扫
