- 博客(14)
- 收藏
- 关注
RSS订阅原创 365打卡第9周——J4：ResNet与DenseNet结合探索
ResNet和DenseNet的算法各自的特点：1. ResNet：通过建立前面层与后面层之间的“短路连接”（shortcut），其特征则直接进行sum操作，因此channel数不变；2.DenseNet：通过建立的是前面所有层与后面层的紧密连接（dense connection），其特征在channel维度上的直接concat来实现特征重用（feature reuse），因此channel数增加；
2025-03-28 21:50:03
356
原创 363打卡第13周——J3：DenseNet算法实战与解析
为啥这个准确率这么高，看起来好奇怪啊，是哪里出问题了吗。准确率跳动比较大可以用函数返回进行比较。
2025-03-15 00:05:09
347
原创 365打卡第J2周——J2：ResNet50V2算法实战与解析
注意：ResNet50V2、ResNet101V2与ResNet152V2的搭建方式完全一样，区别在于堆叠Residual Block的数量不同。准确率跳动比较大可以用函数返回进行比较。
2025-03-01 20:10:09
360
原创 365打卡第11周——J1：ResNet-50算法实战与解析
这次要自己根据tensorflow编写Pytorch框架，由于tensorflow的框架不是特别熟悉，所以还是用了之前学过的模型，但是训练的结果不是很好；了解了残差结构的应用和基本结构。
2025-02-16 23:33:22
234
原创 365打卡第P10周——P10：Pytorch实现车牌识别
在神经网络中，如果我们不确定一个维度的大小，但是希望在计算中自动推断它，可以使用 -1。这个-1告诉 PyTorch 在计算中自动推断这个维度的大小，以确保其他维度的尺寸不变，并且能够保持张量的总大小不变。例如，[-1, 7, 69]表示这个张量的形状是一个三维张量，其中第一个维度的大小是不确定的，第二维大小为7，第三大小分别为69。-1的作用是使得总的张量大小等于7 * 69，以适应实际的输入数据大小。在实际的使用中，通常-1用在批处理维度上，因为在训练过程中，批处理大小可能会有所不同。
2025-02-10 23:43:15
1458
原创 365打卡第9周——P9：YOLOv5-Backbone模块实现
本次内容选用的是YOLOv5算法中的Backbone模块搭建网络，上次是C3模块，整体框架都相似只是模块不一样。
2025-01-24 00:36:55
252
原创 365打卡第6周——P6：VGG-16算法-Pytorch实现人脸识别
VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。尝试调整了学习率，但是还是准确率很低，之后再学习一下别人怎么调整的。
2024-12-14 23:00:15
896
原创 365打卡第5周——P5：Pytorch实现运动鞋识别
等间隔动态调整方法，每经过step_size个epoch，做一次学习率decay，以gamma值为缩小倍数。预测结果应该是adidas，但是我的一直是test，这个应该怎么调整。对数据维度进行扩充。给指定位置加上维数为一的维度。或者调用官方动态学习率接口，与上面方法等价。对数据的维度进行压缩，去掉维数为1的的维度。在特定的 epoch 中调整学习率。根据自己定义的函数更新学习率。
2024-12-11 13:27:03
654
原创 365打卡第4周——P4：猴痘病识别
在PyTorch的ImageFolder数据加载器中，根据数据集文件夹的组织结构，每个文件夹代表一个类别，class_to_idx字典将每个类别名称映射为一个数字索引。它允许你以小批次的方式迭代你的数据集，这对于训练神经网络和其他机器学习任务非常有用。2、调整 Dropout 概率：将 Dropout 概率从 0.5 调整为 0.4，减少训练过程中过多的神经元丢弃。3、增加全连接层的层数：增加一个隐藏层（fc2），以便提升模型的非线性表示能力。：增加模型深度、增加卷积层的输出通道数，以增强特征提取能力。
2024-12-05 00:42:42
749
原创 365打卡第3周——P3：Pytorch实现天气识别
更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用。具体来说，torch.tensor是autograd包的基础类，如果你设置tensor的requires_grads为True，就会开始跟踪这个tensor上面的所有运算，如果你做完运算后使用。，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。
2024-11-27 00:21:31
1062
原创 365打卡第2周——P2：CIFAR10彩色图片识别
是一个 PyTorch 数据加载器（DataLoader），用于加载训练数据集。通常情况下，数据加载器会将数据集分成小批量（batches）进行处理。，否则的话，有输入数据，即使不训练，它也会改变权值。如果模型中有BN层(Batch Normalization）和Dropout，在测试时添加。是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。的作用是启用 Batch Normalization 和 Dropout。是保证BN层能够用到每一批数据的均值和方差。
2024-11-15 18:46:56
1046
原创 365打卡第1周——P1：Pytorch实现mnist手写数字识别
是一个 PyTorch 数据加载器（DataLoader），用于加载训练数据集。函数的功能是从矩阵shape中，去掉维度为1的。例如一个矩阵是的shape是（5, 1），使用过这个函数后，结果为（5, ）。，否则的话，有输入数据，即使不训练，它也会改变权值。是Pytorch自带的一个数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。是保证BN层能够用全部训练数据的均值和方差，即测试过程中要保证BN层的均值和方差不变。变量将包含相应的标签数据。是保证BN层能够用到每一批数据的均值和方差。
2024-11-05 21:32:56
803
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