__不想写代码__的博客

Pytorch 搭建自己的分类模型

卷积的愤怒 ConvNeXt

文章目录前言一、什么是语义分割二、Unet1.基本原理2.读入数据总结前言最近由于在寻找方向上迷失自我，准备了解更多的计算机视觉任务重的模型。看到语义分割任务重Unet一个有意思的模型，我准备来复现一下它。一、什么是语义分割语义分割任务，如下图所示：简而言之，语义分割任务就是将图片中的不同类别，用不同的颜色标记出来，每一个内别使用一种颜色。二、Unet1.基本原理什么是Unet，它的网络结构如下图所示：整个网络是一个“U” 的形状，Unet 网络可以分成两部分，上图红色方框中是特征提

SRGAN 网络是用GAN网络来实现图像超分辨率重建的网络。训练完网络后。只用生成器来重建低分辨率图像。网络结构主要使用生成器（Generator）和判别器（Discriminator）。训练过程不太稳定。一般用于卫星图像和遥感图像的图像重建。这里我们使用的高分辨率的数据集 **（DIV2K）**

文章目录前言一、什么是DenseNet？二、keras 复现1.Conv Block2.Dense Block3.Transition Block总结前言据说DenseNet 是优于ResNet的网络结构，有着参数少，性能优越的特点并且实现思路很简单。表面上好像是跨连接，实际上是concatenate 特征图。一、什么是DenseNet？先来看一张图上图描述的就是DneseBlock的计算过程，它并不是像ResNet 一样 对卷积计算的结果进行Add，而是利用每次计算的特征图进行堆

文章目录前言一、什么是ConvMixer？1.网络结构图：二、实现步骤1.pytorch实现2.keras实现总结前言继现在炒得火热的Mixer 结构和Vit 结构，最近又出来了一种叫ConvMixer 的结构。真的是服气，刚出没多久，感觉是个新坑，可以踩一踩~。我记得9月10号的时候看见出来的，这两天代码刚开源。官方链接：论文地址：https://openreview.net/pdf?id=TVHS5Y4dNvMGithub 地址：https://github.com/tmp-iclr/con

文章目录前言一、SRCNN二、SRCNN 实现1.模型的搭建2.生成训练数据3.训练过程：4.测试过程总结前言把由放大缩小的引起的导致分辨率低的图像，转换成为 分辨率高的图像。更加关注的是重构图片过程中，填充新的像素。SRCNN 呢也是将深度学习用于图像重建的鼻祖，网络结构非常简单，于是我决定来复现一下它。代码链接：https://github.com/jiantenggei/SRCNN-Keras （包含所有资源）一、SRCNNSRCNN 的网络结构特别简单，首先将一张低分辨率的图像作为输入

文章目录前言一、GAN是什么？二、使用步骤1.引入库2.读入数据总结前言由于有可能使用GAN 网络来做一些数据增强，所以这里复现一下Gan 网络，发现这玩意儿还挺好玩。一、GAN是什么？GAN （Generative Adversarial Networks）生成对抗网络，用来生成一下不存在的真实数据。应用场景如下:1.风格迁移：也就是传说中的AI 画家2.图像超分辨率重建: 让图像更加清晰3.生成不存在的真实数据：人脸生成等~根据训练时带不带标签，GAN 网络是可分为无监督和半监督式的

文章目录前言一、Yolov3 和 Yolov3-tiny二、使用步骤1.引入库2.读入数据总结前言上一篇文章 神奇的目标检测 已经介绍了目标检测的基础啦。目标检测呢，就是在图片中定位出目标的位置，把它“框”出来就好了。本篇文章使用Yolov3 和Yolov3-tiny，以训练VOC2007和口罩检测为例。教大家如何快速的搭建自己的目标检测平台。下面是资源链接：内容链接VOC2007 数据集链接戴口罩数据集链接权重文件链接 提取码：y32mgithub

文章目录前言一、目标检测是什么？二、目标检测的相关概念1.Bounding Box2.读入数据总结前言总结完经典的卷积神经网络后，我决定“进军”目标检测，谈一谈什么是目标检测，以及目标检测中经常出现的几个概念，同时会对比目标检测和分类任务有哪些地方不同。一、目标检测是什么？目标检测任务，是图像分类任务的延伸，给定神经网络一张图片，对于图像分类网络来说，只需要识别图片属于哪一个类别即可，给定的图片往往只包含单一目标。对于目标检测网络来说，我们不仅要识别图中对象的类别（例如：人，汽车，），还需要知道

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码

文章目录前言一、原理介绍1.mtcnnP-Net(Proposal Network)R-Net（Refine Network）O-Net (Output Network)2. facenetSVM(Support Vector Machine)二、人脸识别实现1.准备工作引入mtcnn下载facenet的权重文件：安装skleran2.训练和预测数据准备训练预测识别结构总结参考前言如何用人工"智障"快速的识别人脸呢？首先我们拿到一张图片，需要去看看图片中是否有人脸，如果有人脸，我们需要把人脸截取出来

文章目录前言一、ResNet1.为什么要引入残差结构2.残差网络二、ResNet501.网络结构及实现2.数据读取与模型训练总结前言本片博客，通过参考了pytorch复现的代码，成功复现了ResNet50，并使用270 Bird Species also see 73 Sports Dataset去训练了ResNet50。最后在验证集和测试集上都达到了80%~83%的准确率。本篇文章还会介绍一下ResNet网络的一些理论，简要分析一下为什么ResNet能够加深到100层甚至1000层。内容

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码

Paddle复现VggNet前言一、VGGNet1.简介2. 网络结构二、网络复现步骤1.Paddle复现2.Kera复现总结前言大家好！距离上一篇博客已经有十天了，因为这十天我去了解Paddle了，这是百度的一个框架，官网已经有很多教程了。设计理念有点类似与Pytorch，但是之前学Keras的我，拿着代码一脸懵逼。慢慢啃了一下，这里就跟大家分享一下。另外VGGNet 用keras的复现我也做了，会在下面附上链接。我会在这篇博客简单介绍，由于我也是刚开始了解，介绍不对的地方还请大家指正。.

使用SppLayer 实现花的分类目录使用SppLayer 实现花的分类前言一、Flatten，GlobalAveragePooling2D和SpatialPyramidPooling1.Flatten2.GlobalAveragePooling2D二、使用步骤1.引入库2.读入数据总结前言五一假期的第二篇博客，这边文章我会总结一下卷积层和全连接之前的“文章”，基于的框架TensorFlow和Keras 去比较Flatten，GlobalAveragePooling2D和SPP(SpatialPyr

AlexNet 实现猫狗分类前言在训练网络过程中遇到了很多问题，先在这里抱怨一下，没有硬件条件去庞大的ImageNet2012 数据集 。所以在选择合适的数据集上走了些弯路，最后选择有kaggle提供的猫狗数据集，因为二分类问题可能训练起来比较容易一下。实验结果和代码我放在kaggle上了，有时会加载不出来。ipynb文件百度云里面也有 下载完成后用jupyter打开。下面附上链接内容地址数据集链接kaggle实验过程链接百度云ipynb文件链接 提取码：di7

LeNet手写数字识别简介LeNet 是由Y.Lecun等人在1998年提出的第一个真正的卷积神经网络，现在的LeNet现在主要指LeNet5，其主要特点是卷积层和下采样层相结合作为网络的基本结构，其包括3个卷积层和2个下采样层和2个全连接层。最初设计LeNet的目的是识别手写字符和打印字符，效果非常好，曾被广泛应用于美 国银行支票手写体识别，取得了很大成功 。网络结构直接上图看着更直观。C1层是卷积层，包含6个特征图，是由6个5x5的卷积核对输入图像卷积得到。S1层是一个下采样层，包含6个

个人理解，深度学习模型其实保存的是权重和偏置。构建最好的网络，就是要找到特定情况下最好的偏置和权重。模型训练阶段模型训练开始前一般都会初始化网络中的权重和偏置，当然，当前的权重和偏置不是最终模型中的值，这些值需要在训练过程中不断的更新，最后达到一个更为“乐观”的情况。模型训练时，一般都有对应的训练数据，也就是对应的数据和标签。数据用于输入你构建的神经网络。输出的结果与标签做比对（也就是计算损失），然后再通过反向传播的方法，依次次寻找每一层神经网络中，每个节点的权重值和偏置对这种误差损失的“贡献”，然后