- 博客(15)
- 收藏
- 关注
RSS订阅原创 PyTorch深度学习（小土堆）笔记4: PyTorch 训练不再“开盲盒”，TensorBoard 可视化保姆级教程
你是否在训练模型时，只能盯着终端那一串串枯燥的数字发呆？loss 到底降了没？训练速度正不正常？今天，我们就来拆解深度学习开发者的“专业护目镜”——TensorBoard。只需几行代码，就能让你的模型训练过程从“开盲盒”变成“看大片”！
2026-03-11 17:34:31
371
原创 PyTorch深度学习（小土堆）笔记3:小土堆 Dataset 类实战笔记，99% 的新手都踩坑！看完秒懂数据加载底层逻辑！
这篇PyTorch学习笔记详细介绍了如何使用Dataset类处理图像数据。主要内容包括：1) 通过垃圾处理比喻解释Dataset和DataLoader的区别；2) 使用PIL库读取图片的详细步骤和注意事项；3) 利用os模块进行路径处理和文件列表获取；4) 从零实现一个自定义Dataset类，包含__init__、__getitem__和__len__三个核心方法；5) 实例演示如何创建蚂蚁和蜜蜂数据集并合并使用。文章还提供了练手数据集的下载链接，适合PyTorch初学者学习数据处理的基础知识。
2026-02-15 01:18:13
784
1
原创 PyTorch深度学习（小土堆）笔记2:Python的两大法宝快速上手PyTorch！（含Pycharm环境调用及dir_help使用）
摘要：本文介绍了Python中dir()和help()两大实用工具在PyTorch学习中的应用。dir()用于快速查看模块或对象的所有属性与方法，如dir(torch)；help()则提供详细的函数文档说明，如help(torch.cuda.is_available)。文章通过示例演示了这两个函数的具体用法，并附有闯关测验检验学习效果，帮助开发者高效掌握PyTorch的核心功能。掌握这两个工具可以显著提升PyTorch的学习效率。
2026-02-10 16:52:57
85
原创 PyTorch深度学习（小土堆）笔记1:Python 环境管理保姆级教程(含集显安装pytorch)
🚀 告别“在我电脑上能跑”！Python 环境管理保姆级教程如果你正在学习 Python，一定遇到过这样的烦恼：为了跑 A 代码装了个库，结果 B 代码就崩了；或者把代码发给朋友，他却死活运行不起来……别慌，这通常不是代码的错，而是你的“环境”乱了！
2026-02-10 15:11:18
983
原创 深度学习9：过拟合问题
过拟合是指模型在训练数据上表现过于优秀，但对于新数据或测试数据的泛化能力较差的现象。简单来说，就是模型过度地拟合了训练数据中的细节和噪声，以至于无法很好地适应其他未知数据。
2024-03-18 18:38:05
1174
原创 深度学习8：卷积神经网络
卷积神经网络，主要用于提取图像的特征，也称为特征提取网络。我们之前提到的全连接网络是根据提取的特征对样本进行分类，所以也称为分类网络。卷积神经网络主要涉及到的几个操作包括：卷积（Convolution），池化（Pooling）和relu激活函数。
2024-03-18 17:00:04
10744
114
原创 深度学习7：全连接神经网络（详细构造）
一个全连接网络层是由nn.Linear()函数定义的，其中①in_features=m，表示该网络层有m个输入特征，②out_features=k表示该网络层有k个神经元，也代表着有k个输出特征，③bias=False表示所有神经元都不带有偏置项。nn.Linear()函数的作用是建立一个全连接神经网络层，其中m个输入特征，k个输出特征，一共有m*k个权重。如果bias为True，则需要学习优化的参数多增加k个。
2024-03-13 18:54:08
6196
原创 深度学习6：全连接神经网络（简单二分类问题）
全连接神经网络（Fully Connected Neural Network,FCNN）是由一系列全连接层组成的深度神经网络，是深度学习中的基本架构。全连接层的特点是相邻两层的任意两个神经元之间均有连接。接下来，我们将用一个简单的二分类的全连接神经网络结构对数据集进行训练。以上，本文内容参考自蒙祖强，欧元汉编著的《深度学习理论与应用》。详细内容可关注其他笔记，这里不再过多赘述）
2024-03-13 13:58:13
937
原创 深度学习5:使用PyTorch框架实现二分类任务
离散点为（2.49,2.86）(0.50,0.21)(2.73,2.91)(3.47,2.34)(1.38,0.37)(1.03,0.27)(0.59,1.73)(2.25,3.75)(0.15,1.45)(2.73,3.42)分别标记为1,0,1,1,0,0,0,1,0,1。目前，比较开源常见的深度学习框架包括：Caffe/Caffe2、Torch、TensorFlow、Keras、MXNet、PaddlePaddle、MindSpore、CNTK、DL4J等。m为样本的特征个数，bias表示偏置项。
2024-03-12 21:27:00
908
1
原创 深度学习4：感知器-三种激活函数及梯度下降算法
一个感知器可以理解成有多个线性拟合组合成的计算单元，由不同的输入特征（x）依据不同的权重（w）及偏置项（b）加权求和得到了激活函数（σ），如图。首先输入的m个特征x1到xm经过不同的权重拟合，经过加权求和，加偏置项，激活函数变换后得到了我们需要的结果y，所以只要我们确定了w和b（权重和偏置项）我们的感知器基本就是确定的。我们不难发现，sigmoid函数和Tanh函数对于x的两端无穷都是无限逼近某个实数（1，-1和0），这表明，这两种函数对于x附近的值有着很强的处理区分能力。
2024-03-12 20:45:58
2017
1
原创 深度学习3：PyTorch保存和调用深度学习模型及模型参数
参数有一个很重要的属性：requires_grad,默认为True，意为：可学习的；如果是False，则不可被更新学习。
2024-03-11 21:30:33
848
1
原创 深度学习2：PyTorch访问深度学习模型中网络层的结构
获取分块网络层名称–使用nn.Module的named_children（）方法实现。获取分块网络层–使用nn.Module的children（）方法实现。获取所有网络层–使用modules（）方法实现。
2024-03-11 21:01:40
324
原创 深度学习1：PyTorch张量tensor的基本使用
在pytorch中，通常用一维张量表示向量，二维张量表示矩阵或者一张单通道图像，三维张量表示一个特征图或者一张彩色图片，用四维张量表示一个批量的特征图或者彩色图像，用五维张量表示带时间或者视频的数据#可以通过[[]]数中括号的个数来判断是几阶张量x = torch.tensor([2])#0阶张量x = torch.tensor([2,3])#1阶张量x = torch.tensor([[2,3],[4,5]])#2阶张量。
2024-03-11 20:49:59
903
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