文章目录前言一、前置知识二、torch.nn.Conv2d三、torch.nn.Conv1d 前言 本系列主要是对pytorch基础知识学习的一个记录，尽量保持博客的更新进度和自己的学习进度。本人也处于学习阶段，博客中涉及到的知识可能存在某些问题，希望大家批评指正。另外，本博客中的有些内容基于吴恩达老师深度学习课程，我会尽量说明一下，但不敢保证全面。一、前置知识 上图就是一个多过滤器（过滤
转载
2023-09-02 11:19:13
115阅读
卷积函数注： 函数语法、参数介绍、shape、变量、Example，均转自 PyTorch 中文手册。 说实话 PyTorch 中文手册 对于参数in_channels和out_channels的讲解还是不够详细。 所以我参考了另一篇博客 【PyTorch学习笔记】17：2D卷积,nn.Conv2d和F.conv2d 来讲解这两个参数的意义。函数语法：一维class torch.nn.Conv1d
一、view()与reshape()的比较1.1 将weight的tensor维度进行一个拉伸weight = weight.view(
batch * self.out_channel, in_channel, self.kernel_size, self.kernel_size
)
view方法用于维度的变换
view() 方法返回的张量与原始张量共享存储
转载
2023-10-15 10:17:30
148阅读
文章目录常规卷积反卷积con2D_transpose空洞卷积deconv和dilated conv的区别separable convLightweight conv 常规卷积SAME和VALID的用法
SAME会通过补零不丢失原信息VALID不会在原有图片上添加新元素conv1d kernel_size=n，实际上的卷积核大小是n*num_col比如对于语音输入channelTd_col=
## 实现 VAE（Variational Autoencoder）的步骤和代码解析
### 1. 介绍
在开始之前，让我们先简要了解一下 VAE（Variational Autoencoder）。
VAE 是一种生成模型，它结合了自编码器（Autoencoder）和变分推断（Variational Inference）的思想。VAE 可以用于学习数据的潜在表示，并用于生成新的数据样本。
原创
2023-08-16 16:29:06
147阅读
关于自编码器的原理见另一篇博客 ： 编码器AE & VAE这里谈谈对于变分自编码器（Variational auto-encoder）即VAE的实现。 1. 稀疏编码首先介绍一下“稀疏编码”这一概念。 早期学者在黑白风景照片中可以提取到许多16*16像素的图像碎片。而这些图像碎片几乎都可由64种正交的边组合得到。而且组
《异常检测——从经典算法到深度学习》0 概论1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法3 基于One-Class SVM的异常检测算法4 基于高斯概率密度异常检测算法5 Opprentice——异常检测经典算法最终篇6 基于重构概率的 VAE 异常检测7 基于条件VAE异常检测8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测9 异常检测资料汇总（持续
转载
2023-08-07 15:30:14
374阅读
# 变分自编码器（Variational Autoencoder）简介
## 引言
变分自编码器（Variational Autoencoder，简称VAE）是一种生成模型，主要用于学习数据分布的表示。它是由自编码器（Autoencoder）发展而来的，通过引入隐变量（latent variable）来提高模型的表达能力。VAE结合了无监督学习和生成模型的优点，广泛应用于生成图像、文本等领域。
原创
2023-08-01 00:52:18
353阅读
目录1、 章节3.13.2节中dropout函数的从零实现2、 章节3.16.4 模型训练3、 章节12. 7 torchtext.vocab.Vocab()类型附录1、用到的数据集 最近在学习Dive-into-DL-pytorch1.0v，其中某些章节存在错误，尝试将问题记录于此，便于自己以及他人查阅，如有错误欢迎大家指正交流。 另外，本人在看到1.0v结尾处时才发现2.0v，强烈推荐2.0
# PyTorch VAE实现
## 介绍
变分自编码器（Variational Autoencoder, VAE）是一种生成模型，可用于从高维数据中学习潜在表示，并生成具有相似特征的新样本。在本文中，我们将使用PyTorch实现一个简单的VAE模型。
## 变分自编码器
VAE是一种概率生成模型，由一个编码器和一个解码器组成。编码器将输入数据映射到潜在空间中的概率分布，而解码器则从潜在空
原创
2023-10-17 16:07:32
167阅读
## 教你如何实现"VAE pytorch 库"
作为一名经验丰富的开发者，我将会指导你如何在PyTorch中实现变分自动编码器（VAE）库。首先，我们来看一下整个过程的流程图：
```mermaid
pie
title VAE PyTorch 实现流程
"数据准备" : 20
"构建VAE模型" : 30
"定义损失函数" : 20
"优化器设置" : 20
"训练模型" : 30
```
文章目录绪论1. PyTorch基础2. 人工神经网络和反向传播3. 动态计算图（dynamic computational graph）4. 反向函数（Backward()）5. 数学：雅可比和向量 绪论本人在学PyTorch，对它的计算图产生疑惑。后学习国外一篇博文后，感觉收获颇丰，故转载翻译而来。本文将会主要关注PyTorch计算图相关和autograd类的backward等方面。 图1
1.介绍Variable实际上，Variable是Torch里的一种数据类型，他与tensor没有什么很大的区别，但是他们属于不同的数据类型，Variable对象有更多的属性。主要的区别如下：①、Variable类型的变量具有自动求导的功能②、Variable类型的变量会被放到一个计算图中，Variable类型的变量具有三个属性：data、grad、grad_fn:data: 取出Variable
转载
2023-10-20 13:47:26
76阅读
总结： AE（自编码器）：编码->n维向量->直接解码 VAE（变分自编码器）：编码->n维向量->每个维度使用正态分布拟合->每个维度采样形成新的n维向量->解码 CVAE（条件VAE）：每个维度用拟合后的分布均值要和目标图片一致 VQVAE（向量量化自编码器）：编码->n维向量->每个维度使用cookbook找到最近向量->解码 注意VQV
# 如何使用PyTorch实现条件变分自编码器（Conditional VAE）
## 引言
条件变分自编码器（Conditional Variational Autoencoder，CVAE）是一种生成模型，它不仅学习数据的潜在表示，还能根据条件变量（如类别）生成样本。本文将指导新手如何在PyTorch中实现CVAE，我们将从理解流程开始，再逐步分析每个步骤，并给出对应的代码。
## 实现
一.VGG 网络参数如下： VGG网络及使用的图像输入是3x224x224的图像。二.VGG 网络搭建如下（学习于B 站UP主：霹雳吧啦Wz，良心推荐）： 1.阅读代码之前了解下conv2d的计算，其实nn.Linear，nn.MaxPool2d的输出的计算都是使用以下公式：VGG16的输入是3x224x224，进入全连接层的输入是512x7x7,各个层次的输入输出，建议手算一遍。import
本文代码基于 PyTorch 1.x 版本，需要用到以下包：import collections
import os
import shutil
import tqdm
import numpy as np
import PIL.Image
import torch
import torchvision基础配置检查 PyTorch 版本torch.__version__
转载
2023-06-29 13:39:41
255阅读
model capacity depth越大 更能抽象出更多特征，模型表达能力越强case 1 estimated < ground-truth under-fitting case 2 estimated > ground-truth over-fitting over fitting 现象更多如何检测和减
文章目录一、交叉熵公式推导二、 Pytorch 中交叉熵CrossEntropyLoss()参考资料 一、交叉熵公式推导 分类问题中，交叉熵函数是比较常用也是比较基础的损失函数，原来就只是会用，但一直搞不懂他是怎么来的？为什么交叉熵能够表征真实样本标签和预测概率之间的差值？现在把这个概念好好学习一下。 首先说起交叉熵，脑子里就会出现这个东西： 随后我们脑子里可能还会出现Sigmoid()这
## 使用PyTorch实现变分自编码器（VAE）的流程
变分自编码器（VAE）是一种流行的生成模型，可以用于图像生成、数据降维等任务。下面的内容将会详细介绍如何利用PyTorch实现一个简单的VAE，并提供一个明确的步骤和代码示例。
### 实现流程
以下是实现VAE的基本流程：
| 步骤 | 描述 |
