Holy_cow的博客

原创 Bubbliiiing的深度学习仓库voc_annovation.py详解

【代码】Bubbliiiing的深度学习仓库voc_annovation.py详解。

原创 json_to_dataset 详解(写成注释的形式）（添加了可以过滤掉无效json文件的代码）

【代码】json_to_dataset (详解）

原创 diy一个ResNet18网络

【代码】diy一个ResNet18网络。

原创 复现github上深度学习的项目的一些简单操作指令

配置环境：然后再进入环境（输入上面的激活环境的指令就好）如果配置环境的文件格式不是yml， 是txt格式的，也可以输入下面这个指令，其实 -f 指的就是文件的意思。然后在pycharm里配置好自己创建的虚拟环境的python解释器，就可以运行。

原创 小土堆pytorch学习笔记(二十一、完整的模型测试套路）

运行结果，保存了30个世代训练好的模型，将损失值最小的一个下载下来，然后在测试代码中加载，再进行输入，查看预测输出值，是否与targets一致。分别输入狗和飞机的图片后，只有飞机的图片识别成功了。利用已经训练好的模型，然后给他提供输入。

原创 小土堆pytorch学习笔记（二十、利用GPU训练1-2）

就是对网络模型、数据（输入和标注）、损失函数使用gpu训练。

原创 小土堆pytorch学习笔记（十九、完整的模型训练套路.2-3)

其中，cow.train和cow.eval可以查看官方文档，它们只对特定的层有作用，如dropout，要在我搭建的模型中也要有这一层才会起到作用。

原创 小土堆pytorch学习笔记（十八、完整的模型训练套路.1）

网络模型的架构是根据CIFAR10网络模型搭建的。

原创 小土堆pytorch学习笔记（十七、网络模型的保存与读取）

用方法1保存的模型进行加载时必须将网络模型也复制过去，不过不用创建一个子类。这样就不用将搭建的网络模型复制过去，可以直接加载。加载搭建好的神经网络模型。

原创 小土堆pytorch学习笔记（十六、现有网络模型的使用及修改）

代码无法下载，数据集太大，只能手动下载检测预训练的作用：当预训练参数为false时，权重值如下：当预训练参数为true时，权重值如下：再查看vgg16_true的结构：二、应用vgg16模型将之前下载的CIFAR10数据集应用到vgg16模型上，但是由于vgg16模型有1000个分类，而CIFAR10只有10个分类，所以需要修改vgg16模型。有两种方法，一是改变out_feature的输出，由1000改为10，二是再加一层线性层，将1000改为10。运行如下代码：运行结果如下：或者直接

原创 小土堆pytorch学习笔记（十五、优化器）

优化器是用来更新网络的参数的。

原创 小土堆pytorch学习笔记（十四、损失函数与反向传播）

给L1Loss函数的reduction赋值“sum’

原创 小土堆pytorch学习笔记（十三、搭建模型和sequential的使用）

打开Pytorch官网，查看Sequential根据CIFAR10数据集图片特征搭建模型：没有使用sequential的情况，运行如下代码：其中，padding的值的计算按下面的公式:运行结果如下：创建一个输入来检测网络的正确性：结果：二、Sequential的使用使用Sequential搭建模型，可大大简化代码运行结果如下：再加上如下代码，在tensorboard中查验效果：打开tensorboard：打开流程图查看：

原创 小土堆Pytorch学习笔记（十二、线性层及其它层介绍）

归一化层（BatchNorm2d)主要用来文字识别之类的。

原创 小土堆pytorch学习笔记（十一、激活函数的使用）

可以打开Pytorch官网查看Relu激活函数其中，有一个关于implace参数的使用：implace的值为True时，会修改原来的输入值，为False时，不会修改原来的输入值，而是返回一个输出值。大于0的数输出原值，小于0的数输出0。

原创 小土堆Pytorch学习笔记（十、最大池化的使用）

stride的默认值为kernel_size，而ceil_mode设为True时，输出的图像形状会采用向上取整(ceil)，设为False时，输出的图像形状会采用向下取整（floor)。再修改ceil_mode的参数， 由True -> False，再看运行结果如何。注意输入要求格式为浮点数，所以设置了dtype参数。最大池化也被称为下采样。可以看它的一些参数。这就是图像最大池化的结果。以下面的输入图像为例;

原创 小土堆Pytorch学习笔记（九、卷积操作和卷积层）

由以下输入图像和卷积核做卷积操作再由cov2d的参数规定：输入有四个参数，而运行结果显示只有两个（只有高和宽），所以得改成四维，采用torch.reshape( )

原创 小土堆pytorch学习笔记（八、神经网络的基本骨架——nn.Module的使用）

要么也可以点击pycharm中的code ->generate ->override。在重写__init__( )方法时一定要注意继承父类的__init__方法。在Pytorch的首页查看torch.nn。查看container中的module。

原创 小土堆Pytorch学习笔记（七、DataLoader的使用）

shuffle的值为前后世代的加载数据是否一样，需不需要“洗牌”；drop_last，如果batch size不能整除的话，当值设置为True时就舍去最后一个batch，如果为False时就不舍去。最后一个step的图片不是8x8的了，因为我的drop_last设置为False了，保留了最后一个不被整除的batch，接下来再对它设置为True，并把shufle设置为False。可以看出，它只有155个step了，最后一个八列两行的batch省去了，并且前后两个世代的每个step加载的图片一样。

原创 小土堆pytorch学习笔记（六、torchvision中的数据集使用）

一、torchvision中的数据集使用打开pytorch网页 -> Docs -> torchvision -> Dataset运行代码进行下载：import torchvision# 下载torchvision上的CIFAR10数据集，train等于True时下载训练集，否则下载验证集train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, download=True)test_set =

原创 小土堆pytorch学习笔记（五、常见的Transforms(1-2))

Args:.. note::"""# 使用RandomCrop trans_random = transforms . RandomCrop(512) trans_compose_2 = transforms . Compose([ trans_random , trans_totensor ]) for i in range(10) : img_crop = trans_compose_2。

原创 小土堆Pytorch学习笔记（四、Transforms的使用（1-2））

查看transforms的结构，在图片左下角。

原创 小土堆Pytorch学习笔记（三、TensorBoard的使用（2））

从PIL到numpy, 需要在add_image（ ）中指定shape中每一个数字/维的含义。小土堆使用的是numpy.array( )对PIL图片转换。再使用opencv对numpy型数据进行读取。结果与小土堆的视频吻合。

原创 小土堆Pytorch学习笔记（三、TensorBoard的使用（1））

笔者在pycharm打开本地终端时是PS端，而小土堆打开的直接是虚拟环境里的终端，可以去看小土堆配置pytorch的视频可以看到他改变了pycharm的终端，他使用的是虚拟环境里的anaconda prompt的cmd.exe， 可以在文档——设置——查找终端——进行修改。打开anaconda prompt的文件地址，如果看到快捷方式的话继续打开文件地址，右键属性——安全——对象名称——复制下来，再粘贴到pycharm——文件——设置——终端——shell路径，进行更改。查看一下add_scaler。

原创 小土堆Pytorch学习笔记（三、加载数据）

所有的dataset都应该继承它。所有的子类都应该重写__getitem__方法，子类也可以选择性地重写：__len__方法。

原创 小土堆Pytorch学习笔记（二、Pycharm与Jupyterbook的比较）

原创 小土堆Pytorch课程学习笔记（一：两大法宝函数）

【代码】小土堆Pytorch课程学习笔记（一：两大法宝函数）

原创 使用python从头开始制作神经网络（学习笔记）

第一件事是将输入颜色值从较大的0到255的范围，缩放至0.01到1.0的范围。将在0到255范围内的原始输入值除以255，就可以得到0到1范围的输入值。然后，需要将所得到的输入乘以0.99，把他们的范围变成0.0到0.99。上面的初始化权重的方式也可以改为另一种较为流行的方式：使用正态概率分布采样权重，其中平均值为0，标准方差为节点传入链接数目的开方，即1/2.将计算得到的输出与所需输出对比，使用差值来指导网络权重的更新。query函数接受神经网络的输入，返回网络的输出。