bofu_sun的博客

getitem 方法 在类中有__getitem__ 方法，代表当实例对象通过[] 运算符取值时，会调用它的方法__getitem__。 torch.utils.data.DataLoader 参数： (1) dataset: 使用的数据集。 (2) batch_size：每个batch的数量。 (3) shuffle: 是否打乱顺序。 (4) sampler: 采样方法，和shuffle互斥。 (5) batch_sampler：批量采样，和batch_size、shuffle互斥。 (7) num_w.

1.对于残差神经网络的shortcut结构的理解有两种，看大家的代码全都是先使用tf.nn.conv2d()函数将输入与1*1的卷积核进行卷积，生成通道数与输出通道数相同的特征图，将这张特征图与经过三个卷积层特征图进行点对点相加，这样就将初级特征前馈到了后面，很好的保留了初级特征。 代码如下： # -*- coding: utf-8 -*- # 这里使用结合SEnet、inception结构和sh...

在尝试了残差神经网络、卷积神经网络和inception结构的卷积神经网络后，这里尝试使用基于inception结构与densenet结构的卷积神经网络实现mnist手写数字识别系统。首先是inception结构，这里我使用三条支路，分别由11的卷积核、33的卷积核和两个3*3的卷积核组成的卷积层来实现inception结构。之后是densenet网络，densenet网络与残差神经网络的目的都是...

1.首先使用的inception结构由四条支路组成，第一条支路是一个11的卷积核，第二条支路由一层11的卷积核、一层13的卷积核和一层31的卷积核组成，第三条支路由一层11的卷积核、两层13的卷积核、两层31的卷积核组成，相当于一个55的卷积核，最后一层由一个平均池化层组成。 在实现mnist时，使用了两个这样的inception结构，同时每个inception结构下串联了一个最大池化层用于减小尺...

# -*- coding: utf-8 -*- # mnist 回顾一下tensorflow用法 # 这里使用卷积神经网络，所以将784reshape成28*28的矩阵 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def get_data(): mnist = inp...

1.代码： # -*- coding: utf-8 -*- # 这里使用结合SEnet、inception结构和shortcut结构的卷积神经网络，所以将784reshape成28*28的矩阵 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def get_data(): ...

1.思路 使用两层隐藏层的神经网络来实现mnist分类，这里不使用卷积神经网络来处理。 两层隐藏层含有神经元数量分别为100和200。 2.代码 # -*- coding: utf-8 -*- import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def get_data(): ...