WHYbeHERE的博客

迁移学习指的是将一个已经训练好的模型用于其他的问题上。例如，利用在（包含数百万张图像）等大数据集中训练出来的模型，将它们用于支持我们FoodVision Mini模型——一个更加细分的食物图片分类任务上，迁移学习的原理是。它的核心思想是，即使两个问题并不完全相同，它们之间可能存在一些共享的特征或模式。通过将一个问题上学到的知识迁移到另一个问题上，我们可以加速学习过程，提高解决问题的效率。

在本文中，我们将把一个Pytorch的计算机视觉项目代码转换成一系列完整的Python脚本， 也就是把代码模块化。在文章结尾，我们能够实现下面三个目标：1. 理解模块化的含义以及两种方法；2. 完成一个可以被使用的Python脚本；3. 实现用一行代码训练我们构建的模型 `python train.py`。

介绍如何测试模型的预测效果——让已训练好模型对一张新的图片进行分类；最后将整个流程打包，写成一个可以被直接调用的函数。

介绍如何使用自定义数据集训练模型，完成图像分类任务：1. 使用ImageFolder创建；2. 复刻ImageFolder 功能加载自定义数据集

本文使用PyTorch构建一个简单而有效的泰坦尼克号生存预测模型。通过这个项目，你会学到如何使用PyTorch框架创建神经网络、进行数据预处理和训练模型。我们将探讨如何处理泰坦尼克号数据集，设计并训练一个神经网络，以预测乘客是否在灾难中幸存

介绍卷积神经网络CNN的可视化解释器，分步骤详解如何使用Pytorch搭建CNN模型完成图像分类任务。

本文介绍随机种子激起用法，汇总了在不同场景下的代码设置

本文介绍Pytorch的基本工作流程及代码，以及如何在GPU上训练模型，包括数据准备、模型搭建、模型训练、评估及模型的保存和载入。适合有一定的Python和机器学习基础的深度学习/Pytorch初学者。