irving#11-优快云博客

原创 j2：基于pytorch的resnet实验：鸟类分类

通过本次实验，我们深入理解了 ResNetV2 相较于 ResNetV1 的改进之处，尤其是预激活的设计如何提升深层网络的梯度传播效率。对于今后的任务，可以考虑在更深层的网络上使用 ResNetV2 以提高稳定性，特别是在需要更深层结构（如 ResNet-101、ResNet-152）时，V2 的优势会更加明显。ResNetV2使用了预激活结构，梯度直接通过批归一化和残差连接传播到前面的层，这样可以更好地保持梯度流动，特别是在非常深的网络中性能表现优越。实现了完整的 ResNet50V2 架构。

2024-08-16 22:01:04 729 1

原创 j1：基于resnet的鸟类图片分类实验（pytorch版本）

传统的深度神经网络随着层数的加深，容易出现模型的退化问题，即随着网络层数的增加，模型的性能不仅没有提升，反而可能下降。具体来说，它通过引入“残差块”（Residual Block），使得网络的某一层不仅学习当前层的输出，还通过跳跃连接（shortcut connection）直接将输入传递给后面的层，这种直接连接被称为“跳跃连接”或“捷径”。ResNet的提出解决了深层神经网络中存在的梯度消失和梯度爆炸问题，使得构建非常深的神经网络成为可能，网络的深度从传统的几十层增加到了上百层甚至更深。

2024-08-09 21:58:58 1220

原创 week10：通过自定义数据集实现车牌识别任务实验记录

🍨 本文为🔗365天深度学习训练营中的学习记录博客K同学啊ⅠⅠⅠ。

2024-07-19 22:01:21 1100 1

原创 week9：实现YOLOv5-backbone模块实验

本文将重点介绍Backbone模块。例如，将一个3x3的卷积核的步长从1改为2，同时将输入特征图的分辨率缩小一半，但通道数增加到原来的四倍。BottleneckCSP模块是CSPNet的核心，它将输入特征图分为两部分，一部分经过卷积操作，另一部分直接通过，并在最后进行融合。本次实验让我大概理解了Backbone模块的设计理念和实现细节，可以更好地理解YOLOv5整体架构的高效性和先进性，以及在对象检测中的应用效果。输出特征图：通过这些层的变换，最终生成高维度的特征图，供后续的Neck和Head模块使用。

2024-07-12 21:32:13 1215

原创 week8：实现YOLOv5-C3模块实验

YOLOv5 是 YOLO 系列的一个改进版本，具有更高的精度和更快的速度。YOLOv5 使用了 Path Aggregation Network (PANet)，它能够结合来自不同尺度的特征，从而提高检测精度。Head：用于生成最终的检测结果，包括目标的边界框和类别预测。易用性：YOLOv5 提供了详细的文档和教程，便于用户进行训练和部署。此外，它支持多种框架，如 PyTorch 和 ONNX。本次实验让我对yolov5有了最基本的认识，也发现通过这段时间的学习，我对此类代码的读，写能力都有所增强。

2024-07-05 18:17:57 1144

原创 week7：马铃薯病害识别（VGG-16复现）

在本实验中，成功复现了VGG-16模型，并应用于土豆病毒图片的识别任务。通过搭建前馈神经网络，深入理解了卷积层和池化层的作用及其在图像特征提取中的重要性。使用卷积层提取图片的低级和高级特征，并通过池化层进行特征降维，有效减少了计算量并提升了模型的泛化能力。实验结果表明，经过训练的VGG-16模型在土豆病毒图片的分类任务中表现优异，验证了卷积神经网络在图像识别领域的强大能力。预测结果是：Early_blight。

2024-06-28 21:53:16 1232 1

原创 week6：VGG-16算法-Pytorch实现人脸识别实验

使用多个3x3的小卷积核而不是大卷积核，这样可以增加网络的深度，提高模型的表达能力，同时减少参数量。第2段：两个3x3卷积层（128个过滤器），后接一个2x2最大池化层（stride为2）。第3段：三个3x3卷积层（256个过滤器），后接一个2x2最大池化层（stride为2）。第4段：三个3x3卷积层（512个过滤器），后接一个2x2最大池化层（stride为2）。第5段：三个3x3卷积层（512个过滤器），后接一个2x2最大池化层（stride为2）。

2024-06-14 21:57:21 585

原创基于pytorch的运动鞋识别实验

在实际应用中，很多预训练的深度学习模型（例如 ResNet、VGG 等）都是在 ImageNet 数据集上训练的。加速模型训练：标准化可以使数据的每个维度具有相同的尺度，从而加快梯度下降法的收敛速度。保证一致性：使用与预训练模型相同的均值和标准差，可以确保你的数据和预训练数据具有相同的分布，从而提高模型在迁移学习中的性能和稳定性。提高模型性能：未经标准化的数据可能导致不同特征值范围过大，从而影响模型的性能。选择使用以下代码对指定的adidas分类中的图片预测检查模型性能，可以发现模型成功预测。

2024-06-07 21:53:57 975

原创第四周：基于pytorch的猴痘识别实验

选择卷积核的大小（kernel_size）是设计卷积神经网络（CNN）时的重要步骤，通常根据任务的需求和数据的特性来选择。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。优点: 通过堆叠多个小卷积核（例如连续的 3x3 卷积层）可以获得更深的感受野，同时参数量相对较少。在训练过程中，记录每个epoch的测试集准确率，并保存在每个epoch中测试集准确率最高的模型参数。增加网络宽度：增加卷积核的数量或者全连接层的神经元数量。

2024-05-31 21:49:34 805

原创 week3：基于pytorch的天气图像识别实验

【代码】week3：基于pytorch的天气图像识别实验。

2024-05-24 20:53:56 523

原创 week2: 基于pytorch的CIFAR10彩色图片识别实验

CNN 的核心是卷积层和池化层，通过局部感知和参数共享来提取图像特征。大致了解到卷积层利用卷积操作提取特征，包括滤波器的定义、特征图的计算等。CNN 的核心是卷积层和池化层，通过局部感知和参数共享来提取图像特征。大致了解到卷积层利用卷积操作提取特征，包括滤波器的定义、特征图的计算等。卷积池化的推导：卷积操作是将滤波器与输入图像进行卷积运算，通过滑动窗口计算特征图。池化操作是将特征图进行降采样，常用的池化方式包括最大池化和平均池化。实验涉及到数据集的准备、模型构建、训练、评估和结果分析等多个步骤。

2024-05-17 21:07:53 1094

原创基于pytorch的MNIST数字识别实验

nn.Linear为全连接层，可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数和输出特征数（输入特征数由特征提取网络计算得到，如果不会计算可以直接运行网络，报错中会提示输入特征数的大小，下方网络中第一个全连接层的输入特征数为1600）对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。nn.Conv2d为卷积层，用于提取图片的特征，传入参数为输入channel，输出channel，池化核大小。

2024-05-10 21:46:38 936 1

原创对“小猿搜题”教育软件的作用分析

众所周知，现在的中小学生有很重的课业负担，学习内容多，常常会遇到难题，而小猿搜题能够有效的帮助解决问题。小猿搜题是一款为中小学生创造的拍照搜题软件，软件操作简单，功能强大，通过手机拍题来解答，是一款非常优秀的教学工具。在这里，我们对其教育资源信息化及作用思路进行一些分析。一丶简易的操作，丰富的资源。进入小猿搜题，软件的主题便占了几乎整个屏幕，给了使用者很大的便利，提高效率。另外，不得不提的...

2018-11-16 12:55:21 11238

weixin_43690449的博客