朴素.无恙的博客

@TOPKfrom __future__ import print_function, divisionimport torchimport torch.nn as nnimport numpy as npimport torchvisionfrom torchvision import datasets, models, transformsimport matplotlib.p...

Inception结构的解读Inception结构，是一种高效表达特征的稀疏性结构。基于底层的相关性高的单元，通常会聚集在图像的局部区域（通常CNN底层卷积提取的都是局部特征），这就相当于在单个局部区域上，去学习它的特征，然后在高层用11卷积代替这个区域，当然某些相关性可能是隔得比较远的，通过使用大的卷积核学习即可。原始Inception A结构如下图所示：在InceptionA中33，5...

深度学习中的优化算法（随机梯度下降法）在文章中首先介绍固定学习率的优化器（SGD、Momentum），其次是适应学习率算法（Adagrad、Rmsprop、Adadelta、Adam）。随机梯度下降法 （SGD）动量法（Momentum）Adagrad 算法RMSProp 算法Adadelta 法Adam 算法1.随机梯度下降法 （SGD）Stochastic Gradien...

目标检测之RCNN

U-Net分割pytorch的实现import numpy as npimport torchimport argparsefrom torch.utils.data import DataLoaderfrom torch import autograd, optimfrom torchvision.transforms import transformsfrom unet impo...

RNN训练mnist数据此博文主要是为了用RNN 做图像分类，来了解pytorch的RNN用于训练图像时的用法。mnist数据集中的图像：图像1由28*28个像素点组成如下图所示对于此图像我们可以将每张图像看作是长28的序列，序列中的每个元素的特征维度为28.RNN的结构首先处理数据import sysimport torchfrom torch.autograd impor...

RNN核心之时间预测数据如下所示：这个数据是 12年飞机月流量，可视化得到下面的效果。import numpy as npimport pandas as pdimport matplotlib.pyplot as pltdata_csv = pd.read_csv('./data.csv', usecols=[1])plt.plot(data_csv)首先我们进行预处理，...

dpn网络的pytorch实现import torchimport torch.nn as nnimport torch.nn.functional as Fclass CatBnAct(nn.Module): def __init__(self, in_chs, activation_fn=nn.ReLU(inplace=True)): super(CatB...

ResNeXt网络的pytorch实现此处需要pip install pretrainedmodels"""Finetuning Torchvision Models"""from __future__ import print_function from __future__ import divisionimport torchimport torch.nn as nni...

net.pyimport torchfrom torchvision import modelsfrom torch import nnclass feature_net(nn.Module): def __init__(self, model): super(feature_net, self).__init__() if model == ...

import numpy as npfrom functools import partialimport torchfrom torch import nnimport torch.nn.functional as Ffrom torch.optim import SGD,Adamfrom torch.autograd import Variablefrom torch.utils...

# -*- coding: utf-8 -*-"""dj"""import torchimport torch.nn as nnimport osfrom torchvision import models, transformsfrom torch.autograd import Variable import numpy as npfrom PIL import Ima...

import torchimport torch.nn as nnfrom torch.autograd import Variableimport torch.utils.data as Dataimport torchvision import numpy as npimport matplotlib.pyplot as plt import torch.nn.funct...

# coding: utf-8import osimport sysimport matplotlib.pyplot as plt#将全部数据索引至字典中path = "/media/dell/dell/data/remote_sensing/remote/train_image"dirs = sorted(os.listdir(path))print(dirs)files = ...

如何计算pytorch输入的均值和方差# -*- coding: utf-8 -*-import numpy as npimport cv2import randomimport os# calculate means and std 注意换行\n符号path = '/home/dell/Desktop/train.txt' means = [0, 0, 0]stdevs = ...

交叉验证from __future__ import print_functionimport os import timeimport torch import random import warningsimport torchvisionimport numpy as np import pandas as pd from tqdm import tqdmfrom co...

进行交叉validation时，划分交叉验证集，此处以五折交叉验证集的划分为例子（python实现）# -*- coding: utf-8 -*-import os,os.path as opimport numpy as npimport randomtrain_txt = '/media/dell/dell/data/huawei_remotesensing/train/train1...

https://github.com/fortitude94deng/EfficientNet-PyTorch

pytorch之GAN的实现(拟合sin函数)import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as plt# torch.manual_seed(1) # reproducible# np.random.seed(1)# Hyper ParametersBATCH...

调用resnet、alexnet、vgg、squeezenet、densenet、inception预训练模型

pytorch入门第二课#-*- coding: utf-8 -*"""Created on Fri Jul 27 17:47:03 2018@author: Administrator"""import numpy as np

pytorch入门篇

pytorch之添加BN层批标准化模型训练并不容易，特别是一些非常复杂的模型，并不能非常好的训练得到收敛的结果，所以对数据增加一些预处理，同时使用批标准化能够得到非常好的收敛结果，这也是卷积网络能够训练到非常深的层的一个重要原因。数据预处理目前数据预处理最常见的方法就是中心化和标准化，中心化相当于修正数据的中心位置，实现方法非常简单，就是在每个特征维度上减去对应的均值，最后得到 0 均值的...

pytorch之卷积模块卷积卷积在 pytorch 中有两种方式，一种是 torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()，这两种形式本质都是使用一个卷积操作这两种形式的卷积对于输入的要求都是一样的，首先需要输入是一个 torch.autograd.Variable() 的类型，大小是 (batch, channel, H, W)，其中 bat...

pytorch用简单神经网络对模型进行训练、测试、plot过程# -*- coding: utf-8 -*-"""Created on Fri Jul 27 17:47:03 2018@author: dj"""import numpy as npimport torch

如何将pytorch中mnist数据集的图像可视化及保存导出一些库import torchimport torchvision import torch.utils.data as Data import scipy.miscimport osimport matplotlib.pyplot as plt BATCH_SIZE = 50 DOWN...

加载pytorch的数据集以及对csv标签进行读取

pytorch数据处理在解决深度学习问题的过程中，往往需要花费大量的精力去处理数据，包括图像、文本、语音或其它二进制数据等。数据的处理对训练神经网络来说十分重要，良好的数据处理不仅会加速模型训练，更会提高模型效果。PyTorch提供了几个高效便捷的工具，以便使用者进行数据处理或增强等操作，同时可通过并行化加速数据加载。数据加载在PyTorch中，数据加载可通过自定义的数据集对象。数据集对...

pytorch之ImageFoldertorchvision已经预先实现了常用的Dataset，包括前面使用过的CIFAR-10，以及ImageNet、COCO、MNIST、LSUN等数据集，可通过诸如torchvision.datasets.CIFAR10来调用。在这里介绍一个会经常使用到的Dataset——ImageFolder。ImageFolder假设所有的文件按文件夹保存，每个文件夹下...

pytorch之DataLoader在训练神经网络时，最好是对一个batch的数据进行操作，同时还需要对数据进行shuffle和并行加速等。对此，PyTorch提供了DataLoader帮助实现这些功能。Dataset只负责数据的抽象，一次调用__getitem__只返回一个样本。DataLoader的函数定义如下： DataLoader(dataset, batch_size=1, shu...

pytorh之lenet的实现（CIFAR10数据集）import torch as timport matplotlib.pyplot as pltimport torchvision as tvimport torchvision.transforms as transformsfrom torch.autograd import Variablefrom torchvision....

pytorch之inception_v3的实现from __future__ import print_function from __future__ import divisionimport torchimport torch.nn as nnimport torch.optim as optimimport numpy as npimport torchvisionfrom...

神经网络常见model的实现（上）lenet输入大小为32x32class LenetNet(nn.Module): def __init__(self): super(LenetNet, self).__init__() self.conv1 = nn.Conv2d(3, 6, 5) self.conv2 = nn.Conv2d(...

pytorch之squeezenet的实现squeezenetFire Module是SqueezeNet中的基础构建模块sqeezenet的设计目标：不是为了得到最佳的CNN识别精度，而是希望在简化网络复杂度的同时，保证网络模型的精度。（1）替换3x3的卷积kernel为1x1的卷积kernel大部分设计的cnn网络基本上卷积大小都选择在3x3，为了简化网络，在有效性，以及设计简洁性...

pytorch中模型的保存与加载如何训练好的保存模型Save:torch.save(model.state_dict(), PATH)加载模型loadLoad:model = TheModelClass(*args, **kwargs)model.load_state_dict(torch.load(PATH))model.eval()Save on GPU, Load o...

pytorch之四参数初始化# -*- coding: utf-8 -*-"""Created on Fri Jul 27 20:57:51 2018@author: dj"""import numpy as npimport torchfrom torch import nn使用 NumPy 来初始化因为 PyTorch 是一个非常灵活的框架，理论上能够对