赵凯月的博客

转载：https://www.cnblogs.com/denny402/p/7593301.html 准备： import torch import torch.nn.functional as F from collections import OrderedDict 方法1: # Method 1 ----------------------------------------- class Net1(torch.nn.Module): def __init__(self):

PyTorch实现的ResNet50、ResNet101和ResNet152 PyTorch: https://github.com/shanglianlm0525/PyTorch-Networks import torch import torch.nn as nn import torchvision import numpy as np print("PyTorch Version: ",torch.__version__) print("Torchvision Version: ",torchv

import torch.nn as nn from torch.nn import Conv2d from collections import OrderedDict class net1(nn.Module): def __init__(self): super(net1, self).__init__() self.conv1 = Conv2d(3, 3, 1) self.conv2 = Conv2d(3, 3, 1) def f

一、Pyhon工作原理—— 核心概念：test case, testsuite, TestLoder,TextTestRunner,TextTestResult, test fixture TestCase（测试用例）: 所有测试用例的基类，它是软件 测试中最基本的组成单元。 一个test case就是一个测试用例，是一个完整的测试流程，包括测试前环境的搭建setUp...

pytorch最后的权重文件是.pth格式的。 经常遇到的问题： 进行finutune时，改配置文件中的学习率，发现程序跑起来后竟然保持了以前的学习率， 并没有使用新的学习率。 原因： 首先查看.pth文件中的内容，我们发现它其实是一个字典格式的文件 其中保存了optimizer和scheduler，所以再次加载此文件时会使用之前的学习率。 我们只需要权重，也就是model部分，将其导出就可以了...

前言：BN层作为当前应用十分广泛的一中抗过拟合、加速模型收敛的手段，效果可以说是十分好用，但是究其原因或者说理解，很多人也是从不同方面有所解释，这篇就尽量包罗的多一些，加上一些自己的理解。有时间就补一点的样子，慢慢写 BN层简述： BN层是神经网络里的一层，如同卷积、池化层等等一样，同样有数据的输入、输出，同时参与正向传播和反向传播。但是不太同于其他层的特点是，BN更像是其他类型层的一种数据的预处...