- 博客(5)
- 收藏
- 关注
原创 cifar-10基础优化3-pytorch,测试集准确率3分钟90%+
一、须知1.加入了单周期学习策略,基于学习率调节器Another data science student's blog – The 1cycle policy2.优化器更换为adam+权重衰减3.baseline基于aakashns/05b-cifar10-resnet - Jovian和4.支持时间显示和tensorboard5.平台:rtx3070二、网络结构基于ResNet的简单调整class Model(nn.Module): def _.
2022-04-15 18:59:02
3739
5
原创 cifar-10基础优化二pytorch,测试集准确率88.2
须知:同前文优化思路:再加入多层卷积层卷积层层间和全连接层层间加入dropout优化网络顺序结构图像增广网络结构:class Model(nn.Module): def __init__(self): super(Model, self).__init__() self.model1 = nn.Sequential( nn.Conv2d(3, 32, 5, padding=2), nn.BatchNorm2d(
2022-04-12 17:40:57
1158
3
原创 CIFAR-10基础优化一(加入标准化和激活函数)
对比BN层在池化层前后位置的表现,以及relu和prelu在优化器为sgd、数据集为cifar-10情况下的表现
2022-04-11 17:00:49
3691
原创 基于Pytorch的卷积神经网络代码(CIFAR图像分类)及基本构架
一、须知1.本代码所用数据集为CIFAR10,可通过以下代码段进行下载并加载需要引用 import torchvisiontrain_data = torchvision.datasets.CIFAR10("../input/cifar10-python", train=True, transform=torchvision.transforms.ToTensor())test_data = torchvision.datasets.CIFAR10("../input/cifar10-pytho
2022-04-07 16:35:07
2833
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