weixin_43848436的博客

torch.autograd.grad()函数使用import torch# x = torch.FloatTensor([[0,1,2,3],[1,2,3,4],[2,3,4,5]]).requires_grad_(True)# print(x)x = torch.tensor([[0.,1.,2.,3.],[1.,2.,3.,4.],[2.,3.,4.,5.]]).requires_grad_(True)# print(x)'''tensor([[0., 1., 2., 3.],

paddle中nll_loss()与CrossEntropyLoss()损失函数区别首先先交代结论：nll_loss()与CrossEntropyLoss()损失函数计算的关系为CrossEntropyLoss()等于对输入数据先做softmax，再做log处理，再加nll_loss()操作。1.NLLLoss 的输入是一个对数概率向量和一个目标标签，它不会为我们计算对数概率.，适合网络的最后一层是log_softmax损失函数，有时候调用预训练模型修改网络最后的全连接层的时候会把最后一层的输出改变，这

PaddlePadddle2.0蝴蝶分类项目验证集结果比对之前的项目分别在Paddle2.0下用Resnet101和VGG16网络实现了蝴蝶分类任务，并且根据训练好的模型生成了含有200张图片验证集的标签文件，现在想做的是将生成的txt文件和标准答案的标签文件进行比对，查看模型对于验证集的预测效果，并将预测准确率通过百分比形式返回。之前项目链接为：VGG16实现蝴蝶分类：https://blog.youkuaiyun.com/weixin_43848436/article/details/115051394R

飞桨环境下使用notebook的常用命令1、安装需要但是当前环境下没有的package!pip install jupyterthemes2、查看当前环境中安装的package!pip list --format=columns3、持久化安装，不用每次重启项目后重新安装库首先创建external-libraries文件夹，然后再次文件夹后安装package!mkdir /home/aistudio/external-libraries!pip install beautifulsoup4

PaddlePaddle2.0利用VGG-16预训练模型实现蝴蝶分类本项目是百度AI Studio上图像分类课程的一个内容，之前使用ResNet101网络完成，现在用VGG-16网络实现同样的任务。数据集可以在AI Studio上搜索Butterfly20下载，如果下载不到，可用下面网盘链接。Butterfly20数据集下载链接：链接：https://pan.baidu.com/s/19Fqsg_rUAQi9nvf3vLhI9w提取码：qdkx这次使用其他网络完成同一任务，所以程序大体变化不大，数

PaddlePaddle2.0利用ResNet101预训练模型实现蝴蝶分类该项目来自于AI Studio上的公开项目，这里记录我的学习笔记，把一些细节的地方具体说明一下，并且提供完整的程序代码和分步说明，供大家本地PaddlePaddle2.0环境或者AI Studio上面复现。用到的数据集来自AI Studio中公开的数据集，但是不知道为什么找不到那个数据集项目了，所以就提供我下载好的数据集的网盘链接：链接：https://pan.baidu.com/s/19Fqsg_rUAQi9nvf3vLhI9

PaddlePaddle2.0构建LeNet-5模型进行MNIST手写数字分类一、完整代码import paddleimport paddle.nn.functional as Ffrom paddle.vision.transforms import Compose, Normalizetransform = Compose([Normalize(mean=[127.5], std=[127.5],

深度学习实践(2)—波士顿房价预测paddle实现程序实现步骤：数据处理、模型设计、训练配置、训练过程、模型保存、预测功能# 1.导入相关库# 加载飞桨、Numpy和相关类库import paddlefrom paddle.nn import Linearimport paddle.nn.functional as Fimport numpy as npimport osimport random# 2.数据处理def load_data(): # 从文件导入数据 d

深度学习实践(1)—波士顿房价预测