imxlw00的专栏

二值化非0元素取1法非零元素取一法是最基础的二值化算法。顾名思义，非零取一就是对于灰度图像f，若某像素灰度值为零，则其灰度值不变，仍为零;对于灰度值不为零的像素，将其像素值全部变为255。img = np.zeros((w, h), dtype=np.uint8) for j in range(h): for i in range(w): if grey[j, i] != 0: img[j, i] = 255固定阀值法固定阀值法就是为灰度

CIFAR-10 是一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ aplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。图片的尺寸为 32×32 ，数据集中一共有 50000 张训练圄片和 10000 张测试图片。上传图片使用bootstrap-fileinput插件上传图片 $("#file").

拟合函数y = 0.90 + 0.50 * x + 3.00 * x^2 + 2.40 * x^3import torchimport numpy as npimport matplotlib.pyplot as plt#%%# 定义一个多变量函数w_target = np.array([0.5, 3, 2.4])b_target = np.array([0.9]) #%%f_des = 'y = {:.2f} + {:.2f} * x + {:.2f} * x^2 + {:.2f}

import torchimport numpy as npimport matplotlib.pyplot as plttorch.manual_seed(2017)lr = 1e-2# 数据x_train = np.array( [[3.3], [4.4], [5.5], [6.71], [6.93], [4.168], [9.779], [6.182], [7.59], [2.167], [7.042], [10.791], [5.313], [7.997], [3.1

使用torch.nn构建神经网络。下图是对数字图像进行分类的网络它是一个简单的前馈网络。它接受输入，将其传送到多个层，然后最后给出输出。神经网络的典型训练过程定义具有一些可学习参数（或权重）的神经网络遍历输入数据集通过网络处理输入计算损失将梯度传播回网络参数更新网络的权重： weight = weight - learning_rate * gradient定义网络import torchimport torch.nn as nnimport torch.nn.functio

PyTorch提供了模块和类torch.nn， torch.optim， Dataset和DataLoader 来创建和训练神经网络。例子使用MNIST数据集训练基本神经网络。MNIST数据设置使用经典的MNIST数据集，该数据集由手绘数字的黑白图像组成（0到9之间）。下载数据集from pathlib import Pathimport requestsDATA_PATH = Path("data")PATH = DATA_PATH / "mnist"PATH.mkdir(parent

PyTorch的核心是提供两个主要功能：n维张量，类似于numpy，但可以在GPU上运行自动区分以构建和训练神经网络拟合 y=sin(x)以三阶多项式为例。该网络将具有四个参数。使用numpy实现使用numpy操作手动实现网络的前向和后向传递，使用numpy使三阶多项式拟合正弦函数。# -*- coding: utf-8 -*-import numpy as npimport math# 随机初始化输入和输出数据x = np.linspace(-math.pi, math.pi, 20

简介如果将Tensor的属性.requires_grad设置为True，它将开始追踪(track)在其上的所有操作（这样就可以利用链式法则进行梯度传播了）。完成计算后，可以调用.backward()来完成所有梯度计算。此Tensor的梯度将累积到.grad属性中。注意在y.backward()时，如果y是标量，则不需要为backward()传入任何参数；否则，需要传入一个与y同形的Tensor如果不想要被继续追踪，可以调用.detach()将其从追踪记录中分离出来，这样就可以防止将来的计算被追踪，这样

PyTorch是在2017年1月由Facebook推出的。它是经典机器学习库Torch框架的一个端口，主要编程python。提供两个高级功能：1、具有强大的GPU加速的张量计算。2、包含自动求导系统的深度神经网络。安装官网：https://pytorch.org/在线安装离线安装官网 https://download.pytorch.org/whl/torch_stable.html 选择合适的版本torch/torchvision 都需要安装pip install torch-1.

网络结构图LeNet-5模型是Yan Lecun在1998年提出的一种卷积神经网络模型，最初设计用于手写数字的识别，是早期卷积神经网络中最有代表性的实验系统之一LeNet的网络结构如下图所示LeNet模型LeNet分为卷积层块和全连接层块两个部分。下面我们分别介绍这两个模块。上图为LeNet-5识别手写体数字的过程，其包含输入层在内共有八层。LeNet5由7层CNN（不包含输入层）组成，上图中输入的原始图像大小是32×32像素，卷积层用Ci表示，采样层（pooling，池化）用Si表示，全连接层

原文链接 http://tangshusen.me/Dive-into-DL-PyTorch/#/chapter03_DL-basics/3.5_fashion-mnist我们将使用torchvision包，它主要用来构建计算机视觉模型。torchvision主要由以下几部分构成：torchvision.datasets: 一些加载数据的函数及常用的数据集接口；torchvision.models:包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；torchvisio

python 官网的教程 https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html导入cifar10数据集import torchimport torchvisionimport torchvision.transforms as transformstransform = transforms.Compose( [transforms.ToTensor(), #转为tensor transforms.