意.远-优快云博客

原创使用PyTorch训练VGG11模型：Fashion-MNIST图像分类实战

本文将通过代码实战，详细讲解如何使用 PyTorch 和 VGG11 模型在 Fashion-MNIST 数据集上进行图像分类任务。代码包含数据预处理、模型定义、训练与评估全流程，并附上训练结果的可视化图表。所有代码可直接复现，适合深度学习初学者和进阶开发者参考。确保已安装以下库：2. 代码实现2.1 导入依赖库2.2 数据预处理由于VGG11默认接受RGB三通道输入，需将Fashion-MNIST的灰度图转换为3通道：2.3 加载数据集2.4 定义模型使用PyT

2025-04-04 15:26:13 388

原创使用PyTorch实现ResNet：从残差块到完整模型训练

本文实现了ResNet的核心组件——残差块，并构建了一个简化版ResNet模型。通过实验验证，模型在Fashion MNIST数据集上表现良好。读者可尝试调整网络深度或超参数以进一步提升性能。改进方向增加残差块数量构建更深的ResNet（如ResNet-34/50）。使用数据增强策略提升泛化能力。尝试不同的优化器和学习率调度策略。注意事项确保已安装PyTorch和d2l库。GPU环境可显著加速训练，若使用CPU需调整批量大小。希望本文能帮助您理解ResNet的实现细节！

2025-04-03 10:25:48 579

原创使用PyTorch实现NiN网络训练Fashion-MNIST（附完整代码）

NiN 的核心思想是通过1x1 卷积增强非线性表达能力，同时减少参数量。其核心模块nin_block包含：普通卷积层（如 11x11 或 5x5）两个 1x1 卷积层（模拟全连接层的作用）这种结构能有效捕捉局部特征并提升模型泛化能力。

2025-04-02 12:07:25 655

原创使用PyTorch实现LeNet-5并在Fashion-MNIST数据集上训练

本文将展示如何使用PyTorch实现经典的LeNet-5卷积神经网络，并在Fashion-MNIST数据集上进行训练和评估。代码包含完整的网络定义、数据加载、训练流程及结果可视化。1. 导入依赖库2. 定义LeNet-5网络结构通过PyTorch的构建网络，包含卷积层、池化层和全连接层：3. 验证各层输出形状输入随机数据检查网络各层的输出形状：输出结果：4. 加载Fashion-MNIST数据集使用d2l库快速加载数据，设置批量大小为256：5. 定义评估函

2025-04-01 17:39:05 428

原创在PyTorch中使用GPU加速：从基础操作到模型部署

定义不同设备对象输出本文演示了PyTorch中GPU加速的核心操作，包括设备选择、张量迁移和模型部署。合理利用GPU可显著加速深度学习任务，建议在训练大型模型时优先使用GPU环境。如果遇到CUDA相关错误，请检查驱动版本和PyTorch的GPU支持安装。

2025-03-31 20:56:53 415

原创使用PyTorch实现GoogleNet（Inception）并训练Fashion-MNIST

GoogleNet（又称Inception v1）是2014年ILSVRC冠军模型，其核心创新是，通过并行多尺度卷积提升特征提取能力。本文将展示如何用PyTorch实现GoogleNet，并在Fashion-MNIST数据集上进行训练。

2025-03-30 10:39:38 462

原创 PyTorch实现Dropout：从零开始与简洁实现对比

Dropout在训练时以概率p随机丢弃神经元，减少神经元间的依赖性；测试时保留所有神经元，并通过缩放（1/(1-p)）保持输出期望一致。以下分两部分实现该技术。return x说明mask生成0-1矩阵，保留概率为1-dropout的神经元。输出结果需缩放，确保训练和测试时的期望一致。return out说明网络包含两个隐藏层（256单元），分别在训练时应用不同概率的Dropout。输入为Fashion MNIST图像（28x28=784），输出为10分类。说明使用nn.Dropout。

2025-03-29 09:30:00 688

原创使用PyTorch实现AlexNet并在Fashion-MNIST上训练（完整代码与结果分析）

AlexNet是深度学习领域的经典卷积神经网络模型。本文基于PyTorch实现了AlexNet的简化版本，并在Fashion-MNIST数据集上进行训练与测试。代码包含模型构建、数据预处理、训练过程及可视化结果，最终测试准确率达83.9%。本文完整实现了AlexNet在Fashion-MNIST上的训练流程，模型测试准确率达83.9%。读者可通过调整超参数或添加数据增强进一步提升性能。完整代码如下，可直接在GPU环境中运行。注：实际训练结果可能因硬件环境略有差异，建议在GPU环境下运行以获得最佳性能。

2025-03-28 09:30:00 1094

原创使用PyTorch实现U-Net图像分割：从理论到实践

本文完整展示了使用PyTorch实现U-Net图像分割的全过程，包括：数据集准备和预处理U-Net网络架构的实现训练过程和优化策略模型测试和结果保存U-Net因其独特的编码器-解码器结构和跳跃连接，在图像分割任务中表现出色。通过本文的实现，读者可以深入理解U-Net的工作原理，并将其应用于自己的图像分割任务中。希望这篇文章对你理解和实现U-Net有所帮助！如果有任何问题，欢迎在评论区留言讨论。

2025-03-26 16:35:18 722 1

原创使用PyTorch实现CIFAR-10图像分类任务

本文详细介绍了使用PyTorch和Torchvision库实现CIFAR-10数据集图像分类任务的方法，包含完整代码与关键步骤解析，适合深度学习初学者。涵盖环境准备、数据预处理与加载、数据集可视化、神经网络模型定义、损失函数和优化器定义、模型训练与测试、模型保存等环节，并对关键点进行了解析，还提出了改进建议。完整代码已验证可运行，是初学者学习实践的好资源。

2025-03-20 15:38:49 290 1

原创基于PyTorch和ResNet18的花卉识别实战（附完整代码）

nn.ReLU(),# 初始化模型本文提供了可直接运行的花卉分类完整代码，并针对低准确率问题提出了改进方向。关键点：数据增强需符合花卉特征（避免过度旋转）合理设置超参数（批次大小、学习率）复杂场景建议使用更先进的模型架构代码可直接复制到本地，修改数据集路径后运行。建议尝试添加Grad-CAM可视化模块，深入分析模型决策依据。

2025-03-19 18:17:47 545 1

原创使用PyTorch实现MNIST手写数字识别

我们将定义一个简单的卷积神经网络模型。该模型包含两个卷积层、两个最大池化层和两个全连接层。我们使用交叉熵损失函数和Adam优化器来训练模型。通过本教程，我们学习了如何使用PyTorch构建一个简单的卷积神经网络来识别MNIST手写数字。我们涵盖了数据加载、模型定义、训练和测试等步骤。希望本教程对你理解如何使用PyTorch进行深度学习有所帮助。如果你有任何问题或建议，欢迎在评论区留言！

2025-03-18 09:53:29 668 1

原创 Python实现高光谱图像生成与增强：从RGB到多光谱转换（附完整代码）

本文分享一个基于Python的实用工具，能够将普通RGB图像转换为模拟高光谱图像，并进一步生成增强的彩色可见图像。为了直观展示图像细节，程序通过对特定波段的组合，生成了一幅增强的 RGB 彩色图像。该函数的主要目标是将一张普通的 RGB 图像转换为包含多个波段的高光谱图像。通过该函数，我们能直观地看到高光谱图像经过波段组合后所得到的彩色图像效果。通过以上代码，我们可以实现对海量图像数据的自动化处理，极大地提升工作效率。已附在文中，欢迎下载测试！通过以上步骤，我们可以生成一幅包含多个光谱波段信息的图像。

2025-02-18 17:10:14 1206 5

m0_74824642的博客