文章目录1. 卷积层1.2 1d/2d/3d卷积1.3 卷积-nn.Conv2d()1.4 转置卷积-ConvTranspose2. 池化层——Pooling Layer3. 线性层——Linear Layer4. 激活函数层——Activation Layer 1. 卷积层1.2 1d/2d/3d卷积卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行乘加卷积核：又称为滤波器，过滤器，可认
转载
2024-02-09 23:39:55
32阅读
作者丨伯恩legacy@知乎编辑丨计算机视觉联盟一.简介TensorRT是Nvidia公司出的能加速模型推理的框架，其实就是让你训练的模型在测试阶段的速度加快，比如你的模型测试一张图片的速度是50ms，那么用tensorRT加速的话，可能只需要10ms。当然具体能加速多少也不能保证，反正确实速度能提升不少。但是TensorRT坑爹的地方在于，有些模型操作是不支持的、又或者就算支持但是支持并不完善，
转载
2023-12-30 21:50:17
174阅读
在本篇博文中，我将详细记录解决“图像模型 PyTorch”相关问题的全过程，涵盖备份策略、恢复流程、灾难场景、工具链集成、迁移方案以及扩展阅读等部分，以期能为同行提供有价值的参考。
### 备份策略
我们首先需要构建一个合理的备份策略，以确保我们的项目数据和模型能够在需要时快速恢复。备份策略不仅涉及数据的存储位置，也包括数据的版本控制和备份频率的设置。在这一部分，我将展示备份的流程图并提供核心
鱼羊 量子位(QbitAI)一个新的图像分割model zoo来啦！一大波基于PyTorch的图像分割模型整理好了就等你来用~这个新集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造，包含四种模型架构和30种预训练骨干模型(backbone)，官方文档列举了四条主要特点：高级API(两行代码构建神经网络)4种模型架构：Unet，Linknet，FPN，PSPNet每个架构有30种可
转载
2024-08-05 13:26:35
34阅读
数字图像模型、采样、量化图像的数学模型图像是基于人类视觉系统对外界信息感知上进行的一种增强形式，包括照片、自然景物、数学方法描述的图形等。图像在本质上是模拟量，特别是在计算机应用尚未普及之前，应用所需的图片多以模拟信号形式出现。随着计算机时代的到来，数字计算成为了一种主流，相应的图像处理方式也就发生了转变，数字图像模型应运而生。图像经过数字化转化为数字图像，它是将模拟图像信息转化为数字信息的过程，
转载
2023-11-11 20:44:16
133阅读
文章目录背景TorchScript简介PyTorch中如何创建基本模型TorchScript**追踪(tracing)**使用 Scripting to Convert Modules混合脚本(Scripting)和追踪(Tracing)保存和加载TorchScript模型在C++中加载TorchScript模型Step 1：将PyTorch模型转换为Torch Script通过Tracing通
转载
2023-12-27 21:06:27
0阅读
先上采样再下采样FCN因为fcn取消了cnn最后三层的全连接层，变成卷积层，使得它可以接受任何尺寸的输入图像。 尝试了三种预测结构直接进行32倍的上采样，然后逐个像素预测8s和16s则采用了更多层的浅层特征和上采到相同尺寸特征图在进行相加融合。U-NET在FCN的论文中提到8s的效果是最好的，如果我们将16s和32s去掉，转过来看，其实也是给u型结构 u net相比较fcn，他的上采样特征图拥有更
转载
2024-01-05 16:46:48
126阅读
简介最近又开始使用 Pytorch 进行训练了，但是遇见了不少问题，主要问题集中在 loss 不收敛上，本章节就此问题进行探讨，由于是一遍码代码一遍写文章，本文最后不一定会给出解答，但会记录我寻找答案的经历和过程。1. 经典的 Cross Entropy 问题注意，许多初学者这么使用交叉熵 lossF.softmax(y)
F.cross_entropy(y, label)Wrong × 错误的
转载
2023-12-01 10:54:05
274阅读
文章目录前言如何加速模型收敛增大batch sizeLinear scaling learning ratelearning rate warmupZero
γ
γ
转载
2024-01-06 09:02:17
1132阅读
前言前文已经介绍过卷积神经网络的基本概念【深度学习】卷积神经网络-CNN简单理论介绍。下面开始动手实践吧。本文任务描述如下： 从公开数据集CIFAR10中创建训练集、测试集数据，使用Pytorch构建CNN模型对训练集数据进行训练，然后在测试集中测试，查看简单的CNN模型训练效果如何。 CIFAR10公开数据地址：http://www.cs.toronto.edu/~kriz/cifar.html
转载
2023-10-16 00:08:13
54阅读
目录一、前言二、GAN简介 （一）GAN （二）CGAN三、代码 （一）数据读取 （二）model （三）main （四）train 四、训练结果五、完整代码一、前言 &nb
转载
2024-05-27 19:18:03
72阅读
计算机视觉——Bag Of features图像检索原理什么是图像检索什么是Bag Of Word模型什么是sift特征提取什么是视觉词典什么是TF-IDF基于BOW的图像检索步骤结果与分析10维100维1000维5000维分析总结遇到的问题及解决 原理什么是图像检索图像检索就是基于图像的某一特征对其他图片进行匹配检索。从20世纪70年代开始，有关图像检索的研究就已开始，当时主要是基于文本的图像
转载
2024-06-03 12:20:12
143阅读
前言 SAM 是一种在自然图像分割方面取得成功的模型，但在医学图像分割方面表现不佳。MedSAM 首次尝试将 SAM 的成功扩展到医学图像，并成为用于分割各种医学图像的通用工具。为了开发 MedSAM，首先需要一个大型医学图像数据集，其中包括来自 11 种不同模态的超过 20 万个 Mask。该数据集用于训练和微调 MedSAM 模型。最重要的是，提供了一种简单的微调方法，使 SAM 适
转载
2023-11-22 17:29:10
226阅读
又搬来一个 虽然很少直接用torch了首先介绍计算图的自动求导方法，然后对卷积运算中Kernel和Input的梯度进行了推导，之后基于Pytorch实现了卷积算子并做了正确性检验。推导卷积运算各个变量的梯度公式；学习如何扩展Pytorch算子，自己实现了一个能够forward和backward的卷积算子；代码GitHub仓库：https://github.com/dragonylee/myDL/b
转载
2024-04-10 09:57:17
67阅读
文章目录理论扩散模型概述优势扩散阶段如何扩散第一步重建阶段总结代码应用 扩散模型概述DDPM Nips2020去噪工作步骤扩散和重建两个过程training phase训练集合中获取真实数据集，使用扩散模型得到很多噪声图，使用噪声图进行重建得到高清图片；test phase使用高斯分布采样噪声图，将噪声图采样得到真实人脸（生成结果）优势相比GAN容易崩塌，扩散模型相对更加稳定。扩散模型更加具有指
转载
2024-02-02 09:53:39
116阅读
慢收敛问题是什么？路由表的慢收敛问题并非仅在RIP中出现，任何距离向量协议中都有可能发生的一个基本问题。如下图，能更好的理解慢收敛问题： （a）中的三个路由器都有到网络1中的路由；（b）中到网络 1的路由已经消失了，R2对网络1的路由通告造成了路由选择环路。此刻，如果R1和R2中的任何一个受到发往网络1的数据报，就会彼此的传递该数据报，直到生存时间的计数器超时。怎么解决慢收敛？1.水平分割 路由器
转载
2024-08-20 20:53:47
48阅读
在训练模型时，我们经常会对数据进行归一化，甚至在隐藏层中也加入归一化。这样做的主要目的是为了加快模型收敛速度。 假设特征在经过卷积层后没有经过归一化的数据如下图分布（xx表示数据点），用sigmoid函数作为激活函数。那么在不经过归一化的时候数据所在的分布会使sigmoid的函数值接近0，这样会导致出现梯度消失的情况。 假设在对经过卷积层的数据进行归一化后，数据分布如下图所示，分布会处在中间状态，
转载
2023-10-16 11:52:28
237阅读
一 训练'''
一 导入工具库
'''
from __future__ import division
import torch.nn.functional as F
from torch import optim
from torch.utils.data import DataLoader
from datetime import datetime
import pandas as pd
i
转载
2024-08-21 10:42:33
88阅读
参加TinyMind的深度学习纸币识别比赛，预赛在前一章介绍过戳这里。正赛是人民币冠字号编码识别，如下图，在给的测试集上把编码区识别出来，这是我通过yolov3做出来的结果。这里，我把自己的思路代码跟大家分享。 主要思路：自己做训练集，把每一种面值的纸币作为一类并把编码区作为ground truth框起来大概做了1000张标签，利用yolov3训练数据。由于考虑训练集背景单一简单，所以我用yolo
转载
2024-08-07 09:22:03
23阅读
目录一、Transfer Learning & Model Finetune二、PyTorch中的 Finetune 任务简介：了解序列化与反序列化；了解transfer learning 与 model finetune详细说明：本节第一部分学习pytorch中的模型保存与加载，也常称为序列化与反序列化，本节将讲解序列化与反序列化的概念，进而对模型的保存与加载有深刻的认识，同时介绍py
