<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[code_plus的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/code_plus</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; code_plus]]></copyright><item><title><![CDATA[Pytorch神经网络结构可视化之tensorwatch]]></title><link>https://blog.youkuaiyun.com/code_plus/article/details/118439569</link><guid>https://blog.youkuaiyun.com/code_plus/article/details/118439569</guid><author>code_plus</author><pubDate>Sat, 03 Jul 2021 15:19:41 +0800</pubDate><description><![CDATA[Tensorwatch查看网络结构图踩得坑踩坑日记出坑日记一、环境安装二、graphviz安装三、逐个解决错误
如果你想使用tensorwatch绘制网络的结构图，然后绘制的网络图如下，那就是版本较高带来的问题！
踩坑日记
本来自己使用的pytorch版本是1.8，听说tensorwatch对版本有要求，特意装了一个低版本的pytorch，结果还是掉坑里了。
pytorch=1.4
torchvision=0.5.0
pydot=1.4.2
tensorwatch=0.9.1
上述的版本可以画出图，但是画出]]></description><category></category></item><item><title><![CDATA[pytorch中实现Balanced Cross-Entropy]]></title><link>https://blog.youkuaiyun.com/code_plus/article/details/115763323</link><guid>https://blog.youkuaiyun.com/code_plus/article/details/115763323</guid><author>code_plus</author><pubDate>Fri, 16 Apr 2021 21:00:37 +0800</pubDate><description><![CDATA[当你明白了pytorch中F.cross_entropy以及F.binary_cross_entropy是如何实现的之后，你再基于它们做改进重新实现一个损失函数就很容易了。
1、背景
变化检测中，往往存在样本不均衡的情况，也就是changed pixel很少，而unchange pixel占据大多数，论文DASNet: Dual Attentive Fully Convolutional Siamese Networks for Change Detection in High-Resolution Sat]]></description><category></category></item><item><title><![CDATA[一文搞懂F.binary_cross_entropy以及weight参数]]></title><link>https://blog.youkuaiyun.com/code_plus/article/details/115739343</link><guid>https://blog.youkuaiyun.com/code_plus/article/details/115739343</guid><author>code_plus</author><pubDate>Fri, 16 Apr 2021 10:05:37 +0800</pubDate><description><![CDATA[相信有很多人在用pytorch做深度学习的时候，可能只是知道模型中用的是F.binary_cross_entropy或者F.cross_entropy，但是从来没有想过这两者的区别，即使知道这两者是分别在什么情况下使用的，也没有想过它们在pytorch中是如何具体实现的。在另一篇文章中介绍了F.cross_entropy()的具体实现，所以本文将介绍F.binary_cross_entropy的具体实现。
当你分别了解了它们在pytorch中的具体实现，也就自然知道它们的区别以及应用场景了。
1、pytor]]></description><category></category></item><item><title><![CDATA[pytorch中F.cross_entropy和F.nll_loss的区别]]></title><link>https://blog.youkuaiyun.com/code_plus/article/details/115481575</link><guid>https://blog.youkuaiyun.com/code_plus/article/details/115481575</guid><author>code_plus</author><pubDate>Wed, 07 Apr 2021 11:31:57 +0800</pubDate><description><![CDATA[搞懂函数的区别的最好方法就是产看函数的底层实现。
首先可以在pytorch中分别点击进入函数内部，看他们的具体实现。
1、F.cross_entropy的内部实现是：

并且cross_entropy函数的返回值是：
2、F.nll_loss的内部实现是：

3、结论
这里先上结论。这两种损失的区别在于input上的操作，对于cross_entropy来说，他首先会对input进行log_softmax操作，然后再将log_softmax(input)的结果送入nll_loss；而nll_loss的inpu]]></description><category></category></item><item><title><![CDATA[一文搞懂F.cross_entropy中的weight参数]]></title><link>https://blog.youkuaiyun.com/code_plus/article/details/115431070</link><guid>https://blog.youkuaiyun.com/code_plus/article/details/115431070</guid><author>code_plus</author><pubDate>Sun, 04 Apr 2021 17:49:07 +0800</pubDate><description><![CDATA[交叉熵是在分类任务中常用的损失函数，对于样本均衡的分类任务我们可以直接使用。但当我们面对样本类别失衡的情况时，导致训练过程中的损失被数据量最多的类别的主导，从而导致模型不能被有效的训练。我们需要通过为不同的样本损失赋予不同的权重以平衡不同类别间数据量的差异。这时了解一下F.cross_entrpy中的weight参数的底层是如何实现的，是非常有必要的！
关于Pytorch中F.cross_entropy详细的实现过程请看添加链接描述这篇博客。
下面分析weight是如何作用的。
1、数据准备
input =]]></description><category></category></item><item><title><![CDATA[一文搞懂F.cross_entropy的具体实现]]></title><link>https://blog.youkuaiyun.com/code_plus/article/details/115420223</link><guid>https://blog.youkuaiyun.com/code_plus/article/details/115420223</guid><author>code_plus</author><pubDate>Sat, 03 Apr 2021 20:35:36 +0800</pubDate><description><![CDATA[一文搞懂F.cross_entropy的计算过程
交叉熵是在分类任务中常用的一种损失函数，本文详细介绍了pytorch中是如何实现交叉熵的细节！！！
pytorch中的交叉熵函数为F.cross_entropy(input, target)，本文以变化检测或语义分割中用到的数据模型为例：input的维度为[batchsize,classes,width,height]，target的维度为[batchsize,width,height]。
1. 随机生成模型数据

input = torch.rand([1]]></description><category></category></item></channel></rss>