在调试bug中提高自己，送给所有调试bug迷茫的朋友们1.需要进行类型转换：RuntimeError: Found dtype Long but expected Float即发现dtype是Long，但是期待的是FloatRuntimeError: Found dtype Long but expected Float将得到的loss值进行类型转换 解决方法：loss = torch.
异常检测是机器学习领域的一个重要任务，它的目标是识别数据中的异常模式或异常数据点。异常检测在各个领域都有广泛的应用，例如金融欺诈检测、网络入侵检测、设备故障检测等。在本文中，我们将介绍如何使用PyTorch实现异常检测模型，并提供相应的代码示例。
## 异常检测模型
在异常检测任务中，我们通常使用无监督学习的方法，因为异常的数据点通常很难获取。其中，自编码器是一种常用的模型，它可以从输入数据中
原创
2023-09-19 22:49:51
124阅读
使用Python进行异常检测公式和过程多大是低概率呢异常检测算法选择阈值找出异常实例结论 异常检测是异常值分析中的一项统计任务，但是如果我们开发一个机器学习模型来自动化地进行异常检测，可以节省很多时间。异常检测有很多用例，包括信用卡欺诈检测、故障机器检测、基于异常特征的硬件系统检测、基于医疗记录的疾病检测都是很好的例子，除此之外也还有很多的用例。在本文中，我们将使用Python从头开始实现异常检
转载
2023-07-27 23:06:21
0阅读
PCIE/GPU/显卡参数性能查看工具搜集一、GPU-Z二、CUDA-Z三、HWiNFO四、PCI-Z 一、GPU-ZGPU-Z是一个轻量级的显卡测试软件，旨在提供关于您的视频卡和图形处理器的重要信息。GPU-Z 原生单执行文件，自带启动向导，绿色便携免安装，界面直观，运行后即可显示GPU核心，以及运行频率、带宽等工艺参数信息，如同CPU-Z一样，这也是款必备硬件检测工具。下载地址：https:
入门pytorch似乎不慢，写好dataloader和model就可以跑起来了，然而把模型搭好用起来时，却往往发觉自己的程序运行效率并不高，GPU使用率宛如舞动的妖精...忽高忽低，影响模型迭代不说，占着显存还浪费人家的计算资源hh 我最近就是遇到这个困难，花了一些精力给模型提速，这里总结一下（有些描述可能并不准确，但至少这些point可以借鉴hh，不妥之处恳请大家指正/补充啦）dataloade
目标检测是对图像中存在的目标进行定位和分类的过程。识别出的物体在图像中显示为边界框。一般的目标检测有两种方法：基于区域提议的和基于回归/分类的。在本章中，我们将使用一个名为YOLO的基于回归/分类的方法。YOLO-v3是该系列的其中一个版本，在精度方面比以前的（YOLOV1、YOLOV2)版本表现更好。因此，本章将重点介绍使用PyTorch开发的Yolo-v3。 在本章中，我们将学习如何实现YOL
转载
2023-08-07 19:44:36
510阅读
作者丨陈萍、泽南导读韩国首尔大学的研究者们提出了另一种静态分析器 PyTea，它可以自动检测 PyTorch 项目中的张量形状错误。在对包括 PyTorch 存储库中的项目以及 StackOverflow 中存在的张量错误代码进行测试。结果表明，PyTea 可以成功的检测到这些代码中的张量形状错误，几秒钟扫完代码，比训练一遍再找快多了。张量形状不匹配是深度神经网络机器学习过程中会出现的重要错误之一
一、环境搭建当前：Windows10 + Anaconda3.61.1 创建PyTorch的虚拟环境打开Anaconda中的Anaconda Prompt那个黑框框，输入：#注意这里pytorch是自己设置的虚拟环境名称，可以随意取
conda create --name pytorch python=3.6之后输入y，创建pytorch虚拟环境。以下是一些常规命令：#进入到虚拟环境
activa
转载
2023-07-28 15:38:09
140阅读
目标检测（object detection）一、 介绍在图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。 然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。 在计算机视觉里，我们将这类任务称为目标检测（object detection）或目标识别（object recognition）。 目标检测所关注的问题：分类：
论文：https://arxiv.org/pdf/1512.02325.pdf代码：https://github.com/amdegroot/ssd.pytorch目录一 介绍SSD 的特点和贡献：二 SSD网络结构：模型的输入与输出三 模型训练matching规则训练目标（损失函数）强力挖掘（Hard negative mining） pytorch代码学习dataset的读取网络结构
睿智的目标检测23——Pytorch搭建SSD目标检测平台学习前言什么是SSD目标检测算法源码下载SSD实现思路一、预测部分1、主干网络介绍2、从特征获取预测结果3、预测结果的解码4、在原图上进行绘制二、训练部分1、真实框的处理a、找到真实框对应的先验框b、真实框的编码2、利用处理完的真实框与对应图片的预测结果计算loss训练自己的SSD模型一、数据集的准备二、数据集的处理三、开始网络训练四、训
实现网络的前向传播第二部分中，我们实现了 YOLO 架构中使用的层。这部分，我们计划用 PyTorch 实现 YOLO 网络架构，这样我们就能生成给定图像的输出了。我们的目标是设计网络的前向传播。定义网络如前所述，我们使用 nn.Module 在 PyTorch 中构建自定义架构。这里，我们可以为检测器定义一个网络。在 darknet.py 文件中，我们添加了以下类别：class Darknet(
转载
2023-07-18 12:59:39
136阅读
这几天一直在做调包侠，是时候来总结总结了。记录一些我所遇到的不常见的问题。faster rcnn:参考代码：
jwyang/faster-rcnn.pytorchgithub.com
pytorch代码调试，相较于tensorflow的版本要友好一些，不用创建软连接啥的，数据集直接复制voc2007就行(暂时没有尝试coco)，不过要注意如果有一个类别是0（就是完全没有目标的
目录图像中的目标检测视频中的目标跟踪作者有言在文章《基于 PyTorch 的图像分类器》中，介绍了如何在 PyTorch 中使用您自己的图像来训练图像分类器，然后使用它来进行图像识别。本篇文章中，我将向您展示如何使用预训练的分类器检测图像中的多个对象，然后在视频中跟踪它们。图像分类(识别)和目标检测分类之间有什么区别？在分类中，识别图像中的主要对象，然后通过单个类对整个图像进行分类。在检测中，在图
Pytorch 目标检测和数据集0. 环境介绍小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。1. 目标检测1.1 概述在图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。 在计算机视觉里，我们将这类任务称为目标检测（object detecti
转载
2023-08-02 09:35:39
160阅读
代码地址：https://github.com/xxcheng0708/Pytorch_Retinaface_Accelerate 本文介绍的方法是提升pytorch版本RetinaFace代码在数据预处理阶段的速度，使用纯pytorch框架进行模型推理，并不涉及模型的onnx、tensorrt部署等方法。本文介绍的方法适用于从磁盘加载分辨率相同的一批图像使用RetinaFace进行人脸
原始的CIFAR10数据集有60000张图，其中训练集50000张，测试集10000张。然而，kaggle提供了300000张图的大型数据集用来测试CIFAR10。这里是kaggle网站关于这些图片的介绍：“为了阻止某些形式的作弊(如手动标签)，我们在测试集中添加了290,000张垃圾图片。这些图片在评分中被忽略。我们还对官方的10,000个测试图像做了一些微不足道的修改，以防止通过文件哈希查找它
CLIP模型解决了一个多模态问题 文章目录概述CLIP代码实现划分训练集和测试集统计所有图片的每个通道的均值和标准差搜索图片引擎边角料 概述问题描述：输入一张照片，从数据库中找到最相近的一张照片解决思路：将图片emb，用余弦 相似度计算图片emb，排序返回topk的图片图片embbing预训练模型选择，图片表征模型那就有太多的选择了，一种是纯粹的图像分类的预训练模型，比如用resnet，VIT，V
文章目录RNNLSTMLSTM架构Learn Gate学习门Forget Gate 遗忘门Remember Gate记忆门Use Gate 应用门其他架构Gated Recurrent Unit（GRU）Peephole Connections 本节我们学习recurrent neural networks (RNNs)和 long short-term memory (LSTM) RNN假设
编辑 | 陈萍、泽南几秒钟扫完代码，比训练一遍再找快多了。张量形状不匹配是深度神经网络机器学习过程中会出现的重要错误之一。由于神经网络训练成本较高且耗时，在执行代码之前运行静态分析，要比执行然后发现错误快上很多。由于静态分析是在不运行代码的前提下进行的，因此可以帮助软件开发人员、质量保证人员查找代码中存在的结构性错误、安全漏洞等问题，从而保证软件的整体质量。相比于程序动态分析，
