dc12499574的博客

文章目录原图像随机翻转随机裁剪亮度、对比度修改色调修改亮度、对比度、色调融合修改增广结合修改数据加载数据集分割 & 图像增广参数初始化多GPU训练训练函数训练原图像随机翻转随机裁剪亮度、对比度修改色调修改亮度、对比度、色调融合修改增广结合修改数据加载数据集分割 & 图像增广参数初始化多GPU训练训练函数训练...

文章目录编码器生成解码器生成损失函数训练函数超参数设定编码器生成解码器生成损失函数训练函数超参数设定

编码器解码器

文章目录数据下载文本预处理词元化数据处理迭代器获取数据下载文本预处理词元化数据处理迭代器获取

文章目录加载数据模型定义模型训练加载数据模型定义模型训练

文章目录数据获取参数设置 & 模型定义训练 & 预测数据获取参数设置 & 模型定义训练 & 预测

文章目录数据获取参数设置模型定义训练简洁实现数据获取参数设置模型定义训练简洁实现

文章目录数据导入参数设置模型定义训练简洁实现数据导入参数设置模型定义训练简洁实现

文章目录初始化模型定义训练初始化模型定义训练

文章目录一、数据获取 & 编码二、参数初始化三、训练模型 & 预测函数四、训练函数定义训练 & 随机抽样训练一、数据获取 & 编码二、参数初始化三、训练模型 & 预测函数四、训练函数定义训练 & 随机抽样训练...

文章目录一、数据获取二、多元词频统计一元词频多元词频可视化三、随机抽样生成批量数据四、批量数据顺序化意义演示一、数据获取二、多元词频统计一元词频多元词频可视化三、随机抽样生成批量数据四、批量数据顺序化意义使得一个小批量中的数据按照时序出现，符合逻辑演示...

文章目录数据获取文本分解词典创建词列表展平数据获取文本分解词典创建词列表展平

文章目录数据集生成训练集提取模型训练单步预测K步预测数据集生成训练集提取模型训练单步预测K步预测

文章目录一、并行块定义二、块创建三、测试一、并行块定义二、块创建三、测试

文章目录一、块定义二、模型创建三、测试一、块定义二、模型创建三、测试

文章目录VGG 块定义原始VGG模型数据流模型测试VGG 块定义原始VGG模型数据流模型测试

文章目录一、网络结构二、处理过程三、参数初始化 & 数据导入四、评估函数五、训练函数训练结果一、网络结构二、处理过程三、参数初始化 & 数据导入四、评估函数五、训练函数训练结果...

文章目录网络结构评估函数训练函数训练结果网络结构评估函数训练函数训练结果

文章目录一、池化函数定义二、原始图像三、最大池化 max解释效果四、平均池化 avg解释演示五、最大池化(内置池化使用) 填充 & 步幅解释演示一、池化函数定义二、原始图像三、最大池化 max解释最大池化是以某一块中最大像素值代表这一块，于是会呈现类似马赛克的效果效果四、平均池化 avg解释平均池化相比最大池化更加地平滑，会呈现模糊的效果演示五、最大池化(内置池化使用) 填充 & 步幅解释因为填充了步幅，图片尺寸相应的缩小了，仔细看也能看到图像的每一小部分的

文章目录一、多输入通道二、多输出通道三、1*1卷积核 等价于 全连接层一、多输入通道二、多输出通道三、1*1卷积核 等价于 全连接层

文章目录一、填充作用演示二、步幅作用演示一、填充作用不填充的情况下通道尺寸会随着计算向前推进不断减少(核尺寸>1)填充能够增减或维持输出通道的尺寸演示二、步幅作用降低计算复杂度，调整输出通道尺寸步幅越大，计算复杂度越低，输出通道尺寸越小演示...

文章目录一、卷积运算定义二、原始图像三、卷积核[1,1;1,1] 效果四、卷积核[1,-1;1,-1] 效果 纵向边缘检测五、卷积核[1,1;-1,-1] 效果 横向边缘检测六、自定义卷积层七、卷积 反向传播(自制)说明演示八、卷积反向传播 (书中案例)一、卷积运算定义二、原始图像三、卷积核[1,1;1,1] 效果四、卷积核[1,-1;1,-1] 效果 纵向边缘检测五、卷积核[1,1;-1,-1] 效果 横向边缘检测六、自定义卷积层七、卷积 反向传播(自制)说明1、此处的目标Y

文章目录模块编写第一步第二步第三步模块导入引用模块编写第一步创建文件夹第二步在文件夹中创建一个空文件，文件名为 init.py第三步在文件夹中创建 文件名.py(文件名自取，引用时会用)在里面编写函数或类模块导入1、linux将第一步创建的文件夹移至python安装目录中的dist-packages文件夹中2、windows将第一步创建的文件夹移至python安装目录中的Libs文件夹中引用直接在编程界面" from 文件夹名 import 第三步创建的文件名"不加文件

文章目录一、image与numpy相互转换image转numpynumpy转image二、numpy与tensor相互转换numpy转tensortensor转numpy三、图像加载与保存图像加载图像保存一、image与numpy相互转换image转numpy变量名 = numpy.array(变量名)numpy转image变量名 = Image.fromarray(变量名)二、numpy与tensor相互转换numpy转tensor变量名 = torch.tensor(变量名)tenso

文章目录普通数据保存 & 读取普通张量保存 & 读取神经网络保存 & 读取说明演示普通数据保存 & 读取普通张量保存 & 读取神经网络保存 & 读取说明1、torch.save函数实际上保存的是神经网络中的参数，对于自身内置的神经网络结构可以直接加载参数恢复神经网络模型2、对于用户自定义的神经网络层或块，就需要让接收神经网络恢复的变量与神经网络保存时的结构相同，也就是去掉演示代码里的’#'号注释，才能保证万无一失演示...

文章目录一、自定义层的意义二、定义无参数的层 & 与内置层组合测试三、定义有参数的层 & 与内置层组合测试一、自定义层的意义1、现有的内置神经网络模块的计算流程可能满足不了实际问题的需求2、自由定制，可以深度优化二、定义无参数的层 & 与内置层组合测试三、定义有参数的层 & 与内置层组合测试...

文章目录一、内置随机化 init函数二、内置常数化 init函数三、不同层 or 块进行不同的init四、自定义init函数五、参数直接赋值 & 不同层 参数绑定一、内置随机化 init函数二、内置常数化 init函数三、不同层 or 块进行不同的init四、自定义init函数五、参数直接赋值 & 不同层 参数绑定...

文章目录一、神经网络创建 & 神经网络结构查看二、神经网络参数类型查看三、神经网络参数查看四、神经网络参数梯度查看五、获取神经网络所有参数 & 新索引方式 字典索引六、神经网络嵌套模型 & nn.add_module函数使用七、神经网络嵌套模型结构查看一、神经网络创建 & 神经网络结构查看二、神经网络参数类型查看三、神经网络参数查看四、神经网络参数梯度查看五、获取神经网络所有参数 & 新索引方式 字典索引六、神经网络嵌套模型 & nn.a

文章目录一、纯Sequential组装解析代码二、自定义神经网络解析代码三、自定义Sequential函数解析代码四、插入不参加梯度下降的层或块解析代码五、神经网络 层块 大乱斗解析代码一、纯Sequential组装解析net_0为三层神经网络组成的一个块net_1为三层神经网络组成的一个块net为六层神经网络组成的一个块Sequential函数的作用：将参数流从左到右组成一个神经网络块并返回若将一层的网络也看作是一个块，那么就能理解Sequential函数就是将块和块进行顺序拼接代码i

文章目录效果代码效果代码

文章目录从0实现drop函数定义模型创建训练测试APi调用实现模型创建训练 & 测试从0实现drop函数定义模型创建训练测试APi调用实现模型创建训练 & 测试

文章目录数据生成模型选择模型测试数据生成模型选择模型测试

文章目录一、数据生成二、正常拟合效果代码三、欠拟合效果代码四、过拟合效果代码一、数据生成#采用多项式回归测试欠拟合与过拟合import numpy as npimport matplotlib.pyplot as plt#数据集生成#数据集大小start = 15end = 85#x获取x = np.arange(start,end+1).reshape(-1,1) #阶数degree = 5#1 x x^2 x^3 x^4poly_degree_x = np.power(

文章目录从0开始数据导入模型定义模型测试API调用数据导入模型选择 & 测试从0开始数据导入模型定义模型测试API调用数据导入模型选择 & 测试

文章目录数据导入 & 参数初始化模型定义评估函数定义数据可视化类定义训练函数定义训练结果可视化数据导入 & 参数初始化模型定义评估函数定义数据可视化类定义训练函数定义训练结果可视化...

文章目录数据集下载数据可视化数据集批量打包 & 像素调整数据集下载数据可视化数据集批量打包 & 像素调整

文章目录数据集获取模型选择 & 参数初始化训练 & 测试数据集获取模型选择 & 参数初始化训练 & 测试

文章目录数据集生成数据集批量化模型训练数据集生成数据集批量化模型训练

文档查阅样本向量化 & 正态分布画图