show_me_your_code-优快云博客

原创 2024年夏季《深度学习》学习报告

Diffusion模型是一种通过逐步添加噪声并在训练过程中学习如何去噪声的生成模型。与传统的生成对抗网络（GAN）不同，Diffusion模型不依赖于对抗训练，而是通过模拟数据从一个简单分布（如高斯分布）逐渐转变为复杂分布来生成样本。作为Diffusion模型的前置知识，VAE是一种常见的深度生成模型。其核心思想是通过编码和解码的方式来生成数据。深入理解了生成器与判别器的对抗博弈机制，尤其是如何通过这种方式提高生成数据的质量。

2024-09-30 11:59:16 1648

原创 2024年夏季《深度学习》学习报告

这篇论文介绍了一种新的深度学习方法——HybridSN，用于高光谱图像分类。传统的卷积神经网络（CNN）在处理高光谱图像时只能利用二维信息，而HybridSN则将三维CNN和二维CNN结合起来，可以同时利用空间和频域信息进行特征提取。实验结果表明，HybridSN在多个数据集上都取得了很好的分类效果，并且相对于其他方法具有更高的准确率和更少的计算复杂度。文章优点该论文提出了一种新的混合3D和2D模型用于高光谱图像分类，结合了空间和频谱信息的优势。

2024-09-23 08:37:28 913

原创 2024年夏季《深度学习》学习报告

本项目通过使用预训练的ResNet18模型，实现了对猫狗图像的分类。相较于从头开始训练模型，预训练模型的使用显著缩短了训练时间，并提高了分类精度。未来的工作可以尝试使用更深层的网络或其他预训练模型，以进一步提升分类效果。数据预处理不充分：在训练模型之前，对数据的预处理仅限于图像的缩放和简单的数据增强（如水平翻转、旋转）。这可能导致模型在遇到复杂图像时表现不佳。更为丰富的数据增强策略（如颜色抖动、剪切等）可能会提高模型的鲁棒性。模型选择的局限性。

2024-09-13 16:48:55 1624

原创 2024年夏季《深度学习》学习报告

return xNet是一个简单的卷积神经网络（CNN），包括两层卷积层（nn.Conv2d）、最大池化层（）、和全连接层（nn.Linearforward方法定义了数据在网络中的流动过程，包括卷积、激活、池化、展平和全连接操作。return outelse:VGG类定义了一个类似 VGG 的网络架构。cfg列表定义了网络的层级结构，其中'M'代表最大池化层（），其他数字代表卷积层的输出通道数。包含了卷积层和池化层，通过方法构建。是一个全连接层，用于分类输出。

2024-09-06 16:17:08 1287

原创 2024年夏季《深度学习》学习报告

# 可以是一个数print(x)这里创建了一个标量张量。是 PyTorch 中最基础的张量创建方式，它支持单一数值，数组，甚至更高维度的数据结构。# 可以是一维数组（向量）print(x)这里创建了一维张量（向量），它是的一个常见用法。张量的维度和数据类型可以灵活变化。# 可以是二维数组（矩阵）print(x)这段代码创建了一个 2x3 的张量，所有元素初始化为1。是创建具有特定形状和所有元素初始化为1的张量的简便方法。# 可以是任意维度的数组（张量）print(x)

2024-08-30 11:03:07 689