- 博客(8)
- 收藏
- 关注
RSS订阅原创 Pytorch深入浅出（四）之nn网络层（池化、线性、激活函数）
右边的图像变“糊”了，出现了马赛克块，像素宽高变成了原来的 1/8。线性层在这里扮演了“决策者”的角色，它不关心像素在图片左上角还是右下角（空间信息在展平时丢失了），它只关心这些像素值的加权总和与最终类别的关系。注意：计算量的差异——虽然参数看起来少，但线性层的参数量往往是巨大的。如果说卷积层和全连接层是在“计算”，那么激活函数层就是在“做决定”**。，这种结构才能逼近任意复杂的函数，这就是深度学习强大的根源。与卷积层不同，池化层的运算是独立作用于每一个通道的。的特征图，输出是 1000 类。
2025-12-12 09:00:00
939
原创 Pytorch深入浅出（四）之nn网络层（卷积）
上一篇笔记我们从宏观地学习了如何“搭建”模型，这次笔记深入剖析网络内部的具体网络层，从微观拆解。
2025-12-11 09:00:00
1072
原创 Pytorch深入浅出（三）之网络模型的构建（下）
在构建复杂的神经网络（如ResNet, DenseNet）时，如果仅仅像堆积木一样一层层手写… 代码会变得非常冗长且难以维护。PyTorch 提供了三种特殊的，帮助我们更优雅地组织和管理网络层。和。
2025-12-10 09:00:00
792
原创 Pytorch深入浅出（三）之网络模型的构建（上）
nn.Module的强大之处在于它提供了一个统一的接口来管理和组织复杂的网络结构。）还是由这些层组合而成的整个网络结构（如 LeNet），都必须继承自。在 PyTorch 中，所有神经网络模块（Module）的基类是。对象时（无论是单个层还是整个模型），该对象内部会初始化多个。（如卷积层、池化层、激活函数等）按照特定的逻辑和顺序进行。在模型投入训练之前，系统还会自动或手动执行关键的。中的函数来实现具体的运算逻辑。，用于精准管理模型的不同属性。的属性时，它会自动被注册到。，从而形成一个完整的。
2025-12-09 09:00:00
1798
原创 Pytorch深入浅出（二）之数据预处理Transforms（下）
试想一下，在使用 torchvision.transforms 做图像增强时，我们经常会遇到：官方 API 提供不了的操作（例如添加椒盐噪声、局部模糊、自定义颜色扰动等），这种情况下，就需要我们自定义——transforms。即自定义transforms类并“以参数形式”传到 Dataset 的__init__初始化里。实践中最推荐的方式是：👉写一个和官方 Transform 完全相同接口的类 (__call__👉再通过Compose()与其他 transform 串联使用。
2025-12-08 09:00:00
239
原创 Pytorch深入浅出（二）之数据预处理Transforms（中）
与前面笔记同样的，以树叶分类竞赛数据集为例，下面代码写了一个函数，并可视化变换操作后的结果。
2025-12-06 09:00:00
1477
原创 Pytorch深入浅出（二）之数据预处理Transforms（上）
在上一篇文章中提及自定义Dataset，常常伴有Transforms的操作，本文章简要介绍一下Transforms的数据预处理操作，包含各种数据变换操作以及数据标准化Normalize，都是使用torchvision库中的transforms里的方法来实现。是PyTorch的计算机视觉工具包，包含了一些与CV相关的处理。
2025-12-05 09:00:00
791
原创 B站Pytorch深入浅出（一）之数据读取机制DataSet&DataLoader
Pytorch的数据读取的核心是DataLoader方法和Dataset类。
2025-12-04 10:51:59
945
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人