如何通过Pytorch代码可视化理解卷积神经网络

卷积神经网络CNN-part2-简单的CNN 本文介绍了经典的卷积神经网络LeNet及其实现。LeNet由Yann LeCun于1989年提出,是最早的CNN之一,主要用于手写数字识别。其结构包含两个卷积块(每个含卷积层、Sigmoid激活和平均池化)和三个全连接层。文中详细展示了PyTorch实现代码,并演示了28x28输入图像在各层的维度变化。同时提供了模型训练方法,包括数据加载、评估函数和GPU训练过程。最后介绍了一个3D可视化工具,可交互式观察LeNet-5各层处理过程,包括输入填充、卷积、池化及全连接层的具体参数变化。该可视化直观展示了CNN 阅读详情
点击上方“AI派”,选择“设为星标”
最新分享,第一时间送达!
640?wx_fmt=jpeg
640?wx_fmt=gif

机器在理解和识别图像中的特征和对象方面已经达到了99%的准确度。智能手机可以识别相机中的脸部;能够使用Google图像搜索特定照片; 从条形码或书籍扫描文本。所有这一切都归功于卷积神经网络(CNN),这是一种特殊类型的神经网络,也称为  convnet。

如果你是一个深度学习[1]爱好者,你可能已经听说过卷积神经网络,也许你自己甚至开发了一些图像分类器。像Tensorflow和PyTorch这样的现代深度学习框架可以很容易地向机器训练图像,但是,仍然存在一些问题,如数据如何通过神经网络的人工层?计算机如何从中学习?如何更好地解释卷积神经网络。因此让我们通过每一层可视化图像,深入了解CNN。

640?wx_fmt=png
卷积神经网络

卷积神经网络解释

什么是卷积神经网络?

卷积神经网络(CNN)是一种特殊类型的神经网络,在图像上工作得非常好。由Yan LeCun于1998年提出,卷积神经网络可以识别给定输入图像中存在的数字。

在开始使用卷积神经网络之前,了解神经网络的工作原理非常重要。神经网络模仿人类大脑如何解决复杂问题并在给定数据集中找到模式。在过去几年中,神经网络已经吞噬了许多机器学习和计算机视觉算法[2]。

神经网络的基本模型由组织在不同层中的神经元组成。每个神经网络都有一个输入和一个输出层,根据问题的复杂性增加了许多隐藏层。一旦数据通过这些层,神经元就会学习并识别模式。神经网络的这种表示称为模型。一旦模型被训练,我们要求网络根据测试数据进行预测。如果您是神经网络的新手,那么关于Python深度学习的[3]这篇文章是一个很好的起点。

另一方面,CNN是一种特殊类型的神经网络,它在图像上工作得非常好。由Yan LeCun于1998年提出,卷积神经网络可以识别给定输入图像中存在的数字。使用CNN的其他应用包括语音识别,图像分割和文本处理。在卷积神经网络之前,多层感知器(MLP)被用于构建图像分类器。

图像分类是指从多波段光栅图像中提取信息类的任务。多层感知器需要更多时间和空间来查找图片中的信息,因为每个输入特征都需要与下一层中的每个神经元连接。CNN通过使用称为局部连接的概念来超越MLP,该概念涉及将每个神经元连接到仅输入音量的局部区域。这通过允许网络的不同部分专门处理诸如纹理或重复模式的高级特征来最小化参数的数量。迷茫?别担心。让我们比较一下如何通过多层感知器和卷积神经网络发送图像,以便更好地理解。

比较MLPS和CNNS

考虑到MNIST数据集,多层感知器的输入层的条目总数将为784,因为输入图像的大小为28x28 = 784。网络应该能够预测给定输入图像中的数字,这意味着输出可能属于以下任何类别,范围从0-9(1,2,3,4,5,6,7,8,9) )。在输出层,我们返回类别分数,比如说给定输入是一个数字为"3"的图像,那么在输出层中,相应的神经元"3"与其他神经元相比具有更高的类别分数。**我们需要包含多少个隐藏层以及每个隐藏层应该包含多少个神经元?**这是一个编码MLP的示例:

640?wx_fmt=png
卷积神经网络pytorch可视化mlp

上面的代码片段使用名为Keras的框架实现(暂时忽略语法)。它告诉我们在第一个隐藏层中有512个神经元,它们连接到形状784的输入层。隐藏层后面是一个丢失层,它克服了过度拟合的问题**。**0.2表示在第一个隐藏层之后没有考虑神经元的可能性为20%。同样,我们添加了第二个隐藏层,其具有与第一个隐藏层(512)中相同数量的神经元,然后是另一个丢失层。最后,我们以包含10个类的输出层结束这组图层。具有最高值的该类将是模型预测的数量。

这是在定义所有层之后多层网络的样子。这种多层感知器的一个缺点是连接完整(完全连接)以供网络学习,这需要更多的时间和空间。MLP只接受向量作为输入。

640?wx_fmt=png
卷积神经网络pytorch可视化图像分类器

卷积不使用全连接层,而是稀疏连接的层,即它们接受矩阵作为输入,这是优于MLP的优势。输入功能连接到本地编码节点。在MLP中,每个节点都有责任了解整个画面。在CNN中,我们将图像分解为区域(像素的小局部区域)。每个隐藏节点必须向输出层报告,其中输出层将接收的数据组合以查找模式。下图显示了各层如何在本地连接。

640?wx_fmt=png
卷积神经网络pytorch可视化cnn

在我们了解CNN如何在图片中查找信息之前,我们需要了解如何提取这些功能。卷积神经网络使用不同的层,每层保存图像中的特征。例如,考虑一张狗的照片。每当网络需要对狗进行分类时,它应该识别所有特征 - 眼睛,耳朵,舌头,腿等 - 并且使用滤波器和内核在网络的本地层中分解和识别这些特征。

计算机如何理解图像?

与通过用眼睛拍摄快照来理解图像的人类不同,计算机使用0到255之间的一组像素值来理解图像。计算机查看这些像素值并理解它们。乍一看,它不知道对象或颜色,它只是识别像素值,这是计算机的所有图像。

在分析像素值之后,计算机慢慢开始了解图像是灰度还是彩色。它知道差异,因为灰度图像只有一个通道,因为每个像素代表一种颜色的强度。零表示黑色,255表示白色,黑色和白色的其他变化,即灰色位于两者之间。另一方面,彩色图像有三个通道 - 红色,绿色和蓝色。这些代表三种颜色(3D矩阵)的强度,当值同时变化时,它会产生一组颜色!在计算出颜色属性后,计算机会识别图像中对象的曲线和轮廓。

可以在卷积神经网络中使用PyTorch来加载数据集并对图像应用滤波器来探索该过程。以下是代码段。

# Load the libraries
import torch
import numpy as np

from torchvision import datasets
import torchvision.transforms as transforms

# Set the parameters
num_workers = 0
batch_size = 20

# Converting the Images to tensors using Transforms
transform = transforms.ToTensor()

train_data = datasets.MNIST(root='data', train=True,
                                   download=True, transform=transform)
test_data = datasets.MNIST(root='data', train=False,
                                  download=True, transform=transform)

# Loading the Data
train_loader = torch.utils.data.DataLoader(train_data, batch_size=batch_size,
    num_workers=num_workers)
test_loader = torch.utils.data.DataLoader(test_data, batch_size=batch_size,
    num_workers=num_workers)

import matplotlib.pyplot as plt
%matplotlib inline

dataiter = iter(train_loader)
images, labels = dataiter.next()
images = images.numpy()

# Peeking into dataset
fig = plt.figure(figsize=(25, 4))
for image in np.arange(20):
    ax = fig.add_subplot(2, 20/2, image+1, xticks=[], yticks=[])
    ax.imshow(np.squeeze(images[image]), cmap='gray')
    ax.set_title(str(labels[image].item()))
640?wx_fmt=png
卷积神经网络pytorch可视化输入数据

现在让我们看看如何将单个图像输入神经网络。

img = np.squeeze(images[7])

fig = plt.figure(figsize = (12,12))
ax = fig.add_subplot(111)
ax.imshow(img, cmap='gray')
width, height = img.shape
thresh = img.max()/2.5
for x in range(width):
    for y in range(height):
        val = round(img[x][y],2) if img[x][y] !=0 else 0
        ax.annotate(str(val), xy=(y,x),
            color='white' if img[x][y]<thresh else 'black')
640?wx_fmt=png
单张图片像素可视化

这就是将数字"3"分解为像素的方式。在一组手写数字中,随机选择"3",其中示出了像素值。在这里,ToTensor()将实际像素值(0-255)标准化,并将它们限制在0到1之间。为什么?因为,它使得后面部分的计算更容易,无论是解释图像还是找到它们中存在的常见模式。

构建滤波器

在卷积神经网络中,过滤图像中的像素信息。为什么我们需要一个滤波器?就像孩子一样,计算机需要经历理解图像的学习过程。值得庆幸的是,这不需要多年的时间!计算机通过从头学习,然后继续前进到整体来实现这一目标。因此,网络必须首先知道图像中的所有原始部分,如边缘,轮廓和其他低级特征。一旦检测到这些,计算机就可以处理更复杂的功能。简而言之,必须首先提取低级功能,然后提取中级功能,然后是高级功能。滤波器提供了一种提取信息的方法。

可以使用特定滤波器提取低级特征,该滤波器也是一组像素值,类似于图像。可以理解为连接CNN中的层的权重。这些权重或滤波器与输入相乘以得到中间图像,其描绘了计算机对图像的部分理解。之后,这些副产品将与多个滤波器相乘以扩展视图。这个过程以及功能的检测一直持续到计算机理解它所看到的内容为止。

根据您的需要,您可以使用许多滤波器。您可能想要模糊,锐化,变暗,进行边缘检测等 - 所有都是滤波器。

让我们看一些代码片段来理解滤波器的功能。

640?wx_fmt=png
输入图像代码段
640?wx_fmt=png
输入狗的图像

640?wx_fmt=png

定义一个滤波器
640?wx_fmt=png
对输入图像狗进行滤波

这是应用滤镜后图像的外观。在这种情况下,我们使用了Sobel滤波器。

完整的CNNS

到目前为止,我们已经看到滤波器如何用于从图像中提取特征,但是为了完成整个卷积神经网络,我们需要理解我们用来设计它的层。CNN中使用的层称为:

  1. 卷积层

  2. 池化层

  3. 全连接层

使用这三个层,卷积图像分类器如下所示:

640?wx_fmt=png
卷积神经网络

现在让我们看看每个层的作用:

卷积层 - 卷积层(CONV)使用滤波器执行卷积操作,同时扫描输入图像的尺寸。其超参数包括滤波器大小,可以是2x2,3x3,4x4,5x5(但不仅限于这些)和步幅(S)。生成的输出(O)称为  要素图或激活图,并具有使用输入图层和滤波器计算的所有要素。下图描绘了应用卷积时特征贴图的生成:

640?wx_fmt=png
卷积运算

池化层 - 该池化层(POOL)用于所述特征采样和一个卷积层之后典型地施加。两种类型的池化操作称为最大和平均池,其中分别采用要素的最大值和平均值。下面,描述了池化操作的工作:

640?wx_fmt=png
最大池化操作
640?wx_fmt=png
平均池化操作

**全连接层 - **全连接层(FC)在平坦的输入上操作,其中每个输入连接到所有神经元。这些通常在网络末端用于将隐藏层连接到输出层,这有助于优化课程分数。

640?wx_fmt=png
全连接层

在PYTORCH中可视化CNNS

现在我们已经更好地了解CNN如何运作,现在让我们使用Facebook的PyTorch  框架实现一个CNN。

步骤1:  加载应通过网络发送的输入图像。我们将使用Numpy和OpenCV。

import cv2
import matplotlib.pyplot as plt
%matplotlib inline
img_path = 'dog.jpg'
bgr_img = cv2.imread(img_path)
gray_img = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2GRAY)

# Normalise
gray_img = gray_img.astype("float32")/255
plt.imshow(gray_img, cmap='gray')
plt.show()
640?wx_fmt=png
可视化滤波器

第2步: 可视化滤波器以更好地了解我们将使用哪些滤波器。

import numpy as np
filter_vals = np.array([
  [-1, -1, 1, 1],
  [-1, -1, 1, 1],
  [-1, -1, 1, 1],
  [-1, -1, 1, 1]
])

print('Filter shape: ', filter_vals.shape)

# Defining the Filters

filter_1 = filter_vals
filter_2 = -filter_1
filter_3 = filter_1.T
filter_4 = -filter_3
filters = np.array([filter_1, filter_2, filter_3, filter_4])

# Check the Filters
fig = plt.figure(figsize=(10, 5))
for i in range(4):
    ax = fig.add_subplot(1, 4, i+1, xticks=[], yticks=[])
    ax.imshow(filters[i], cmap='gray')
    ax.set_title('Filter %s' % str(i+1))
    width, height = filters[i].shape
    for x in range(width):
        for y in range(height):
            ax.annotate(str(filters[i][x][y]), xy=(y,x),
                        color='white' if filters[i][x][y]<0 else 'black')
640?wx_fmt=png
定义CNN

第3步: 定义CNN。该CNN具有卷积层和最大池化层,并且使用上述滤波器初始化权重:

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):

    def __init__(self, weight):
        super(Net, self).__init__()
        # initializes the weights of the convolutional layer to be the weights of the 4 defined filters
        k_height, k_width = weight.shape[2:]
        # assumes there are 4 grayscale filters
        self.conv = nn.Conv2d(1, 4, kernel_size=(k_height, k_width), bias=False)
        # initializes the weights of the convolutional layer
        self.conv.weight = torch.nn.Parameter(weight)
        # define a pooling layer
        self.pool = nn.MaxPool2d(2, 2)

    def forward(self, x):
        # calculates the output of a convolutional layer
        # pre- and post-activation
        conv_x = self.conv(x)
        activated_x = F.relu(conv_x)

        # applies pooling layer
        pooled_x = self.pool(activated_x)

        # returns all layers
        return conv_x, activated_x, pooled_x

# instantiate the model and set the weights
weight = torch.from_numpy(filters).unsqueeze(1).type(torch.FloatTensor)
model = Net(weight)

# print out the layer in the network
print(model)
Net(
(conv): Conv2d(1, 4, kernel_size=(4, 4), stride=(1, 1), bias=False)
(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)

第4步:  可视化滤波器。以下是对所用滤波器的快速浏览。

def viz_layer(layer, n_filters= 4):
    fig = plt.figure(figsize=(20, 20))

    for i in range(n_filters):
        ax = fig.add_subplot(1, n_filters, i+1)
        ax.imshow(np.squeeze(layer[0,i].data.numpy()), cmap='gray')
        ax.set_title('Output %s' % str(i+1))

fig = plt.figure(figsize=(12, 6))
fig.subplots_adjust(left=0, right=1.5, bottom=0.8, top=1, hspace=0.05, wspace=0.05)
for i in range(4):
    ax = fig.add_subplot(1, 4, i+1, xticks=[], yticks=[])
    ax.imshow(filters[i], cmap='gray')
    ax.set_title('Filter %s' % str(i+1))

gray_img_tensor = torch.from_numpy(gray_img).unsqueeze(0).unsqueeze(1)

滤波器:

640?wx_fmt=png
滤波器

第5步:  跨层过滤输出。在CONV和POOL层输出的图像如下所示。

viz_layer(activated_layer)
viz_layer(pooled_layer)

Conv Layers

640?wx_fmt=png
卷积层

池化层

640?wx_fmt=png
池化层

我已经将源码上传到后台上,关注公众号后回复「 0923 」即可获得下载链接。

640?wx_fmt=jpeg

?关注“AI学习社区”

如果你觉得文章还不错,请大家点赞分享下。你的肯定是我最大的鼓励和支持。

/ 每日赠书专区 /

为了回馈一直以来支持我们的读者,“每日赠书专区”会每天从留言支持我们的读者中选择一名最脸熟的读者来赠予实体书籍(包邮),当前通过这种方式我们已赠送出 40+ 本书籍。

1.脸熟的评判标准是根据通过留言的次数来决定的

2.留言时需要按照今日留言主题来用心留言,否则不计入总数

3.每日赠书专区会出现在AI派当天发布文章的头条或次条的文章末尾


如果不理解头条/次条的含义的读者可看下面的图。

640?wx_fmt=jpeg


今天我们的每日赠书专区出现在“次条”的位置上,书籍为《TensorFlow与卷积神经网络从算法入门到项目实战》。

640?wx_fmt=jpeg

本书简介:

本书从TensorFlow基础讲起,逐步深入TensorFlow进阶实战,最后配合项目实战案例,重点介绍了实用TensorFlow库训练卷积神经网络模型并将模型移植到服务器端、Android端和iOS端的知识。读者不但可以系统地学习TensorFlow库的使用,还能加深对深度卷积神经网络的理解。

?↑↑点击上方小程序即可购买

恭喜上期通过留言成功混脸熟的读者:丁仔。赠送一本《Python3爬虫实战——数据清洗、数据分析与可视化》

请中奖同学联系小编:wanglaoshi201907

640?wx_fmt=png

/ 今日留言主题 /

对于卷积神经网络,你有什么想说的呢?

参考资料

[1]

深度学习: https://builtin.com/artificial-intelligence/deep-learning

[2]

机器学习和计算机视觉算法: https://builtin.com/data-science/tour-top-10-algorithms-machine-learning-newbies

[3]

Python深度学习的: https://builtin.com/data-science/deep-learning-python


近期专栏推荐

1. 

2. 

3. 

4. 


640?wx_fmt=png

点下「在看」,给文章盖个戳吧!?

基于pytorch实现手写数字识别 Pytorch基础入门项目之一,我在此做笔记复习考试。 阅读详情

相关推荐

解锁CNN:通过可视化理解卷积神经网络的工作原理

本文深入剖析了卷积神经网络(CNN)的工作原理及其在计算机视觉领域的应用。首先介绍了CNN的基础概念,包括局部连接、权值共享和池化等核心特性,以及卷积层、激活层和池化层的协同工作机制。重点阐述了CNN的可视化方法,如特征图可视化、卷积核可视化和Grad-CAM类激活可视化,这些技术有助于理解CNN的内部特征提取机制和决策过程。通过PyTorch实现了简单的CNN模型构建、训练和测试流程,并在CIFAR-10等数据集上进行了图像分类实验。最后展望了CNN在医学诊断、工业检测等领域的应用前景,指出随着算法优化和

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 426

pytorch用LeNet5识别cifar10数据集(训练+预测单张输入图片代码)

先找到LeNet5的模型结构 训练代码: import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd import Variable import torch import torchvision import torchvision.transforms as transfo...

ZJE 4780

pytorch-cnn-visualizations:卷积神经网络可视化技术的Pytorch实现

卷积神经网络可视化 该存储库包含许多在PyTorch中实现的卷积神经网络可视化技术。 注意:我删除了cv2依赖性并将存储库移至PIL。 有些事情可能会坏掉(尽管我测试了所有方法),如果在某些情况下无法解决问题,可以提出问题,我将不胜感激。 注意:此存储库中的代码已使用0.4.1的割炬进行了测试,某些功能可能无法在更高版本中使用。 尽管应该花很多时间才能使它工作,但是由于我仍在使用0.4.1,因此我目前没有计划使该存储库中的代码与最新版本兼容。 实施技术 [1] [4] [3]([2]的推广) [3] [15]([2]的无梯度泛化) [8] [9] [5] [10] [4] [14] [12] [13] 我提出以下对抗性例如生成技术从敌对的东西分开的可视化。 - Fast Gradient Sign, Untargeted [11] - Fast Gradien

pytorch 提取卷积神经网络的特征图可视化

文章目录1、效果图2、完整代码3、代码说明   文章中的代码是参考基于Pytorch的特征图提取编写的代码本身很简单这里只做简单的描述。 1、效果图   先看效果图(第一张是原图,后面的都是相应的特征图,这里使用的网络是resnet50,需要注意的是下面图片显示的特征图是经过放大后的图,原图是比较小的图,因为太小不利于我们观察): 2、完整代码 import os import torch...

梦的灰色边沿... 3万+

Python-在PyTorch中可视化CNN

在PyTorch中可视化CNN

flashtorch - PyTorch中神经网络的可视化工具包-python

在PyTorch中实现的可视化工具包,用于检查神经网络在图像识别任务(特征可视化)中学习的内容。 FlashTorch 一个 Python 可视化工具包,使用 PyTorch 构建,用于 PyTorch 中的神经网络。 神经网络通常被描述为“黑匣子”。 对神经网络如何进行预测缺乏了解会导致模型不可预测/有偏见,从而对社会造成真正的伤害,并失去对人工智能辅助系统的信任。 特征可视化是一个研究领域,旨在了解神经网络如何感知图像。 但是,实施此类技术通常很复杂。 FlashTorch 就是为了解决这个问题而诞生的! 您可以在模型上应用特征可视化技术(例如显着图和激活最大化),只需几行代码。 它与 torchvision 附带的预训练模型兼容,并与 PyTorch 中构建的其他自定义模型无缝集成。 感兴趣的? 看看下面 FlashTorch 的 3 分钟快速介绍/演示! 想试试? 前往 Colab 上的示例笔记本! 显着图: 激活最大化: 概述 安装快速入门 使用 FlashTorch 开发 FlashTorch 如何贡献资源 引用作者 安装 如果您是第一次安装 Fla

pytorch学习之路——08

卷积神经网络:自定义卷积核、查看卷积操作后的特征图 import cv2 import numpy as np import matplotlib.pyplot as plt import torch from torch import nn import torch.nn.functional as F # 读数据并转换成灰度图 img_path = "./data/tenyounge...

weixin_35338624的博客 182

树莓派4B安装 ubuntu20.04 & VNC远程桌面 & 安装ROS noetic

树莓派4B安装ubuntu20.04 & VNC远程桌面1、安装ubuntu方式1:下载Imager文件。方式2:下载镜像文件。2、查询树莓派 IP 地址3、使用ssh远程登录树莓派4、更新源地址5、更新6、安装桌面环境7、允许root登陆8、登陆远程桌面9、设置中文 1、安装ubuntu 方式1:下载Imager文件。...

weixin_44415639的博客 2万+

PyTorch可视化理解卷积神经网络

如今,机器已经能够在理解、识别图像中的特征和对象等领域实现99%级别的准确率。生活中,我们每天都会运用到这一点,比如,智能手机拍照的时候能够识别脸部、在类似于谷歌搜图中搜索特定照片、从条形码扫描文本或扫描书籍等。造就机器能够获得在这些视觉方面取得优异性能可能是源于一种特定类型的神经网络——卷积神经网络(CNN)。如果你是一个深度学习爱好者...

weixin_33989780的博客 1081

编程小白的自学笔记四(正则表达式模块search函数)

本文仅仅简单介绍了search的使用,供小白学习探讨。

m0_49914128的博客 2324

别再写爬虫了!用Trae平台5分钟搞定一个能聊天的网页数据抓取Agent

本文介绍了如何利用Trae平台快速构建无需编程的网页数据抓取智能体,实现对话式数据采集。通过自然语言指令,用户可在5分钟内完成从数据抓取到分析的全流程,显著降低技术门槛和维护成本。文章详细解析了Trae智能体的核心能力,包括自然语言理解、智能页面解析、数据清洗和可视化配置,并提供了多个实战案例,展示其在竞品监控和舆情分析中的高效应用。

weixin_29038303的博客 719

通过PyTorch中的可视化理解卷积神经网络

【全文下载方式】: 关注公众号后台回复关键词: 20190120 在当今时代,机器已经成功地在理解,识别图像中的特征和对象方面达到了99%的准确度。我们每天都会看到它们,引用一些,识别相机中的脸部的智能手机,能够在谷歌照片中搜索特定照片,从条形码扫描文本或以良好的速度扫描书籍等。这种机器的最先进性能是可能的因为特殊类型的神经网络称为卷积神经网络,也称为卷积网。如果你是一个深度学习爱好者,你可...

中科院AI算法工程师的博客 1988

深度伪造检测实战:轻量级频域特征 pipeline 部署指南

深度伪造检测(deepfake detection)是多媒体内容安全的核心技术,其本质是通过建模生成式篡改在像素与频域留下的微弱异常痕迹。传统端到端大模型虽在标准数据集上表现优异,却因训练域与真实场景失配、计算开销高、缺乏可解释性而难以落地。本文聚焦于工程可复现的实践路径,提出‘人脸定位→频域伪造特征提取(Xception-FCN + Frequency-Aware Masking)→轻量分类决策’三段式解耦架构,兼顾精度、延迟与可解释性。该方案已在边缘设备(Jetson Orin NX)实现单帧<48ms

weixin_33437929的博客 311

通过Pytorch代码可视化理解卷积神经网络

本文代码地址:https://github.com/AINewHorizon/visualising-cnns机器在理解和识别图像中的特征和对象方面已经达到了99%的准确度。智能手机可以...

AI公园 1243

【保姆级教程】基于UNet++&MobileNetv2的语义分割模型从训练到RK3588部署:让边缘AI落地效率提升300%

通过SMP库一键构建encoder_name="mobilenet_v2", # 选择MobileNetv2作为骨干encoder_weights="imagenet", # 加载预训练权重加速收敛in_channels=3, # 输入图像通道数(RGB)classes=29, # Cityscapes数据集类别数activation=None # 输出无激活,便于后续损失计算本教程从“模型设计-训练-转换-边缘部署”全链路拆解了。

m0_71589036的博客 90

MinerU在线API异步调用代码开发示例

本文展示了如何使用Python异步编程调用MinerU在线API进行文件批量上传。代码示例包含三个主要功能:1) 通过API密钥获取文件上传URL;2) 使用信号量控制并发上传多个文件;3) 获取提取结果。实现采用httpx异步客户端和asyncio库,支持文件存在性检查、错误处理和日志记录。示例中演示了如何上传PDF文件到MinerU平台,并提供了获取批量处理结果的接口。该代码可作为异步调用MinerU API的参考实现。

拥抱具身智能,昇腾Ascend C 358

matlab卷积神经网络代码_通过Pytorch代码可视化理解卷积神经网络

(关注公众号AI新视野,发送‘资料’二字,免费获取50G人工智能视频教程!) 本文代码地址:https://github.com/AINewHorizon/visualising-cnns机器在理解和识别图像中的特征和对象方面已经达到了99%的准确度。 智能手机可以识别相机中的脸部;能够使用Google图像搜索特定照片; 从条形码或书籍扫描文本。所有这一切都归功于卷积神经网络(CNN),这是一种特...

weixin_39924481的博客 496

VEML7700环境光传感器原理图设计,已量产(光线传感器)

最近做便携显示设备的自动亮度调节模块,最终敲定了 VEML7700 这款数字光传感器 —— 一是它 0~120klx 的宽量程刚好覆盖 “暗室→户外强光” 的全场景,二是 Filtron™技术让它的光谱响应和人眼高度贴合,测出来的 “亮度” 更符合实际视觉感受,加上 O-Trim™技术把输出公差压到 10% 以内,省了不少后期校准的功夫。搭好电路后串口直接读 lx 数值,稳定性和精度都够,这篇聊聊这个模块的硬件设计细节。

不脱发的程序猿 607

通俗易懂卷积神经网络(CNN)指南

本文用直观类比和可视化方法,帮你彻底理解CNN的工作原理,无需深厚数学基础也能掌握计算机视觉的核心技术。卷积神经网络(CNN)是深度学习中,它彻底改变了计算机"看世界"的方式。本文将用最直观的方式带你理解CNN的核心原理,揭开AI视觉识别的神秘面纱。

大数据内容个人总结与分享 2162

AIGC实战——多模态模型DALL.E 2

DALL.E 2 是 OpenAI 提出的一个大规模文本生成图像模型,可以根据文本提示生成各种风格的逼真图像。它通过将预训练模型 CLIP 与 GLIDE 中的扩散模型架构相结合完成任务。它还具有其他应用,例如通过文本提示编辑图像和提供给定图像的变体。虽然它也有一些局限性,例如不一致的文本渲染和属性绑定,但 DALL.E 2 是仍然一个非常强大的AI模型,推动了生成模型的发展。

盼小辉丶的博客 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Pytorch学习(十)---- 卷积神经网络 CNN

莫烦python视频学习笔记 视频链接https://www.bilibili.com/video/BV1Vx411j7kT?from=search&seid=3065687802317837578 代码实现: import os # third-party library import torch import torch.nn as nn import torch.utils.data as Data import torchvision import matplotlib.pyplot .

csdn_wmk的博客 315

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习进阶教程:用卷积神经网络识别图像

生活场景类比:卷积就像你用放大镜观察一幅画,每次只观察画的一小部分,然后移动放大镜,直到观察完整个画面。在CNN中,卷积操作通过一个小的卷积核(filter)在图像上滑动,每次计算卷积核覆盖区域的点积,生成一个特征图(feature map)。这个过程可以提取图像的局部特征,如边缘、纹理等。"""模块5:卷积神经网络(CIFAR-10图像分类)# 开发思路1. **问题分析**:- 任务:CIFAR-10图像分类,属于多分类问题- 输入:3通道32×32彩色图像- 输出:10个类别。

桃李不言下自成蹊 883

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Alibaba DASD-4B Thinking 对话工具卷积神经网络(CNN)原理教学与可视化问答

本文介绍了如何在星图GPU平台上一键自动化部署🤖 Alibaba DASD-4B Thinking对话工具,并将其应用于卷积神经网络(CNN)的教学与可视化。该工具能将抽象的CNN原理(如卷积核、特征图)转化为直观的图形和可运行代码,极大地辅助了AI与深度学习的学习过程,使复杂概念变得生动易懂。

weixin_32869687的博客 238

MiniCPM-V-2_6卷积神经网络(CNN)原理辅助教学与可视化

本文介绍了如何利用星图GPU平台,一键自动化部署MiniCPM-V-2_6镜像,构建交互式卷积神经网络(CNN)教学工具。该工具能自动生成经典CNN代码并解释原理,其核心应用场景在于可视化网络内部特征图,让学习者直观观察模型如何“看见”并提取图像中的边缘、纹理等特征,从而将抽象的CNN原理转化为生动的探索过程。

weixin_26854475的博客 335

基础概念:图片的卷积可视化结果

卷积操作可视化

weixin_43999691的博客 476

人工智能导论实验:卷积神经网络详细解析与实战

人工智能导论实验:卷积神经网络详细解析与实战 去发现同类优质开源项目:https://gitcode.com/ 在此仓库中,我们提供了针对“人工智能导论”课程的实验项目资源,主要围绕卷积神经网络(CNN)的构建与应用展开。本资源包括以下内容: Pytorch源代码:利用Pytorch框架搭建的基础CNN模型代码。 CIFAR10数据集:实验所采用的标准图像数据集。 详细实验报告:记录了实验的设计...

gitblog_06703的博客 352
上一篇: 我认识了一年多的AI创业者以及他的磐创AI!
下一篇: 小白遇到多个Python环境乱如麻,如何破?
Wang_AI
博客等级 码龄12年 998粉丝 162原创
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
 
 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