<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hjkdh的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hjkdh</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hjkdh]]></copyright><item><title><![CDATA[卷积核、特征图可视化]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/125357950</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/125357950</guid><author>hjkdh</author><pubDate>Sun, 19 Jun 2022 19:31:55 +0800</pubDate><description><![CDATA[这里建议使用一个训练好的模型进行可视化，这样可视化出来的结果可以帮助观察出一些潜在的特性的（我这里采用的是AlexNet预训练模型）。这里简单进行一个梳理：
第一层卷积核：torch.Size([64, 3, 11, 11])，
输出通道数：64, 对应卷积核的数量
输入通道数：3, 对应卷积核的通道数
卷积核宽：11,
卷积核高：11
单通道卷积核可视化多通道卷积核可视化见下图：
代码如下：




补充操作




运行代码后会生成一个results文件，接下来  


执行如下代码：   


点击如]]></description><category></category></item><item><title><![CDATA[python目录，文件相关操作]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/125348128</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/125348128</guid><author>hjkdh</author><pubDate>Sat, 18 Jun 2022 16:49:25 +0800</pubDate><description><![CDATA[训练模型相关数据文件读取操作]]></description><category></category></item><item><title><![CDATA[AlexNet论文解读以Pytorch实现（含论文训练细节）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/124565443</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/124565443</guid><author>hjkdh</author><pubDate>Wed, 04 May 2022 19:50:01 +0800</pubDate><description><![CDATA[alexnet论文详解，卷积核，特征图可视化，pyqt5可视化界面，如何调用，更改预训练模]]></description><category></category></item><item><title><![CDATA[划分数据的方法]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/124560224</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/124560224</guid><author>hjkdh</author><pubDate>Tue, 03 May 2022 19:46:09 +0800</pubDate><description><![CDATA[划分数据的方法1、分割数据集（图片）进行存放
1、分割数据集（图片）进行存放
首先整体目录是这样的

以下是运行代码的结果

分割后的图片名保持一致

下面是代码（可能比较繁琐，并没有进行优化）
import os
import random
from PIL import Image
from PIL import ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = True

def division_train_eval(data_path):
    list =]]></description><category></category></item><item><title><![CDATA[Pytorch数据封装进入网络前的几种方式]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/124233483</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/124233483</guid><author>hjkdh</author><pubDate>Sun, 17 Apr 2022 18:18:40 +0800</pubDate><description><![CDATA[Pytorch数据封装进入网络前的几种方式1、利用Pytorch的库方法
1、利用Pytorch的库方法
简单来说就是使用datasets.ImageFolder与torch.utils.data.DataLoader这两种方法。
数据存放格式需要如下

如下是代码示例
1、数据处理
train_transforms = transforms.Compose([
    transforms.Resize((64, 64)),
    transforms.RandomSizedCrop(48),
    ]]></description><category></category></item><item><title><![CDATA[Variable与Tensor合并后，关于训练、验证的相关变化]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/124225482</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/124225482</guid><author>hjkdh</author><pubDate>Sun, 17 Apr 2022 15:50:10 +0800</pubDate><description><![CDATA[卷积神经网络实战——表情识别（Pytorch）&nbsp;&nbsp;&nbsp;&nbsp;这里作一下申明，之前对于神经网络的搭建解释的不够全面，这里进行补充，训练过程的代码可能太过繁琐不好理解，现在进行补充和修改，然后关于数据集用的是阿里天池公开课里面的表情识别数据集。&nbsp;&nbsp;&nbsp;&nbsp;变化的部分会以红色字体标出

...]]></description><category></category></item><item><title><![CDATA[torch.max()的用法]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/124226045</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/124226045</guid><author>hjkdh</author><pubDate>Sun, 17 Apr 2022 10:50:49 +0800</pubDate><description><![CDATA[torch.max的用法
torch.max(Tensor,index)是求Tensor格式下的最大值包含两部分，一部分是最大值，另一部分是最大值的索引
a = torch.randn(3,3)
print(a)
&gt;&gt;tensor([[ 0.4538, -0.0595,  0.6461],
        [-2.0434,  0.5453, -1.2888],
        [ 0.6211, -0.7173,  0.2639]])
        
#每列的最大值以及最大值的索引
prin]]></description><category></category></item><item><title><![CDATA[卷积神经网络构建的python基础-详细理解（Pytorch）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/124208268</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/124208268</guid><author>hjkdh</author><pubDate>Sat, 16 Apr 2022 17:47:06 +0800</pubDate><description><![CDATA[卷积神经网络的构建-详细理解（Pytorch）一、python中的类1、python构建一个简单的类2、python中的self3、python中的__init__方法4、python中的继承(1)继承父类中_ _init_ _()方法
一、python中的类
&nbsp;&nbsp;&nbsp;&nbsp;我们经常看见网络构建中包含如下结构
class simpleconv(nn.Module):
    def __init__(self, nclass):
         ...          ]]></description><category></category></item><item><title><![CDATA[卷积神经网络实战——表情识别（Pytorch）超详细理解，含Pyqt5的可操作界面]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/123069024</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/123069024</guid><author>hjkdh</author><pubDate>Sun, 13 Mar 2022 20:44:16 +0800</pubDate><description><![CDATA[卷积神经网络实战——表情识别
前面六篇文章详细介绍了神经网络的基础，下面就一个简单的识别案例对前六章进行一个总结（可能有人对前六章在具体的网络中是干什么的有疑惑）。

]]></description><category></category></item><item><title><![CDATA[神经网络数据增强transforms的相关操作（持续更新）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/123439969</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/123439969</guid><author>hjkdh</author><pubDate>Sat, 12 Mar 2022 16:33:36 +0800</pubDate><description><![CDATA[transforms的相关操作（Pytorch）一、图像的相关变化1、格式转换（1）transforms.ToTensor()（2）transforms.ToPILImage()1、图像大小（1）
一、图像的相关变化
1、格式转换
（1）transforms.ToTensor()
可将PIL格式、数组格式转换为tensor格式
img_path = "E:\expression_recognition\\2.jpg"
img = Image.open(img_path)  # #数组类型PIL类型都可
a1]]></description><category></category></item><item><title><![CDATA[PIL，cv2读取类型及转换，以及PIL，numpy，tensor格式以及cuda，cpu的格式转换]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/123097434</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/123097434</guid><author>hjkdh</author><pubDate>Sat, 12 Mar 2022 09:55:34 +0800</pubDate><description><![CDATA[PIL，cv2读取类型，以及PIL，numpy，tensor格式以及cuda，cpu的格式转换1、PIL，cv2读取数据图片以及之间的转换2、PIL，数组类型以及tensor类型的转换
1、PIL，cv2读取数据图片以及之间的转换
这里先列个表格方便理解清楚：





cv2
PIL




读取
a=cv2.imread()
a=Image.open()


读取类型
数组类型
PIL类型


读取颜色通道
BGR
RGB


读取尺寸排列
（H,W,C）
（W,H,C）


显示图片
cv2.imsh]]></description><category></category></item><item><title><![CDATA[神经网络中view()，torch.flatten(),torch.nn.Flatten()详解]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/123082852</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/123082852</guid><author>hjkdh</author><pubDate>Wed, 23 Feb 2022 11:22:27 +0800</pubDate><description><![CDATA[神经网络view（）,torch.flatten（）,torch.nn.Flatten（）1、view()2、torch.nn.Flatten()3、torch.flatten()
在神经网络中经常看到view()，torch.flatten(),torch.nn.Flatten()这几个方法。这几个方法一般用于改变tensor的形状。为日后方便使用下面就一一透彻的理解一下。
1、view()
view()的原理很简单，其实就是把原先tensor中的数据进行排列，排成一行，然后根据所给的view()中的参数]]></description><category></category></item><item><title><![CDATA[数据挖掘Fp-tree]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/105383986</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/105383986</guid><author>hjkdh</author><pubDate>Tue, 22 Feb 2022 15:06:28 +0800</pubDate><description><![CDATA[关于数据挖掘生成频繁模式树算法FP-tree@长弓射大狗已经很详细了，这里给出链接。
链接

]]></description><category></category></item><item><title><![CDATA[卷积神经网络的深入理解-评测指标篇（PR曲线，ROC曲线，AUC面积，IOU，AP含实例）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122580242</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122580242</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 17:07:09 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解-评测指标篇绪论什么是评测指标？分类任务评测指标1、准确率/召回率/精确度/F1-score2、Precision/Recall（P-R）曲线3、ROC曲线那么该选择PR曲线还是ROC曲线呢？4、AUC面积回归任务评测指标
绪论
这一篇主要是介绍一下模型的评测指标，与上几篇文章一样都会持续更新。
什么是评测指标？
评测指标是用来定量衡量模型的性能的，是作为各种方法比较的一个标准。
评测指标可以分为分类任务的评测指标和回归任务的评测指标
下面会详细介绍两种任务的评测指标。
分类任务评测指]]></description><category></category></item><item><title><![CDATA[卷积神经网络的深入理解-最优化方法（梯度下降篇）（持续更新）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122577650</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122577650</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 12:07:16 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解-最优化方法（梯度下降方法）（持续更新）一、更新方向1、随机梯度下降SGD2、动量法3、Nesterov accelerated gradient法（NAG法）二、更新学习率1、Adagrad法三、更新学习率+更新方向1、Adam法
说起最优化方法，我们首先要知道优化目标是什么，优化目标有凸函数和非凸函数两种，而我们要尽可能的寻找相对小的值

凸函数全局最小值=局部最小值

非凸函数包含许多局部最小值
那么更新方式有几种呢，就如我们下山一样，取决于我们所走的方向和每一步所走的距离，即学]]></description><category></category></item><item><title><![CDATA[卷积神经网络的深入理解-正则化方法篇]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122577239</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122577239</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 11:46:12 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解-正则化方法篇正则化方法（持续补充）一、显式正则化方法1、模型集成2、Dropout技术（神经元）3、参数正则化方法二、隐式正则化方法
正则化方法（持续补充）
为防止网络模型出现过拟合这种情况，网络训练中引入了正则化方法。
一、显式正则化方法
包含对网络结构、损失函数的修改，模型使用方法的调整
1、模型集成
模型集成包含两部分：
1、训练多个模型进行结果融合；
2、多次使用不同的数据（训练集测试集选择）训练模型进行结果融合。
2、Dropout技术（神经元）
训练时按概率p随机丢弃部分]]></description><category></category></item><item><title><![CDATA[卷积神经网络的深入理解-优化目标（损失函数）篇]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122576886</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122576886</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 11:29:42 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解-优化目标（损失函数）篇优化目标-损失函数（持续补充）一、分类任务损失1、0-1损失2、KL散度 &amp; 交叉熵损失（cross entropy loss）&amp; softmax loss(1)信息熵(2)KL散度（相对熵）(3)交叉熵损失（cross entropy loss）那么为什么很多网络模型中使用交叉熵作损失函数呢？(4)Softmax 损失函数(Softmax loss)二、回归任务损失1、L1/L2-loss &amp; Huber loss &amp; smoo]]></description><category></category></item><item><title><![CDATA[卷积神经网络的深入理解-归一化篇（Batch Normalization具体实例）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122576691</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122576691</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 11:17:06 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解-归一化篇标准化/归一化（神经网络中主要用在激活之前，卷积之后）（持续补充）归一化在网络中的作用1、线性归一化（进行线性拉伸，可以增加对比度）2、零均值归一化（(像素值-均值)/方差）3、Batch Normalization(批标准化方法)Batch Normalization的好处（提高训练速度，稳定模型训练）：Batch Normalization的缺点及改进4、其它归一化方法
标准化/归一化（神经网络中主要用在激活之前，卷积之后）（持续补充）
归一化在网络中的作用
1、去除量纲]]></description><category></category></item><item><title><![CDATA[卷积神经网络的深入理解-基础篇（卷积，激活，池化，误差反传）]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122576143</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122576143</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 11:09:12 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解-基础篇一、卷积（convolution）1、无padding时2、有padding时3、卷积与全连接通道数（一般一张彩色图像为三通道RGB）二、激活（激活函数）(持续补充)代码块（做图的代码）：1、Sigmoid2、tanh3、ReLU4、Leaky ReLU三、池化（池化层）四、全连接五、误差反传
之前对MP模型、单层感知器、多层感知器(BP)的基础进行了理解，接下来写一下对卷积神经网络的理解。卷积神经网络（CNN）由卷积(convolution), 激活(activation),]]></description><category></category></item><item><title><![CDATA[深度学习深入理解——介绍]]></title><link>https://blog.youkuaiyun.com/hjkdh/article/details/122576082</link><guid>https://blog.youkuaiyun.com/hjkdh/article/details/122576082</guid><author>hjkdh</author><pubDate>Wed, 19 Jan 2022 10:53:19 +0800</pubDate><description><![CDATA[卷积神经网络的深入理解
由于内容比较多，且要持续更新，这篇博客是一个总的目录。
这里简单对博客进行一下说明，博客包含很多内容，除了对卷积过程的理解，还详细理解了损失，正则化，梯度更新，模型评测指标等方法，并会持续更新总结相关方法，内容比较多，如有错误请大家及时指正。
有些公式是用PPT画的（之前不会用优快云的公式编辑器），之后会慢慢替换

...]]></description><category></category></item></channel></rss>