首先，本人也是刚接触机器学习和深度学习，所以可能代码不会太难。这些学习都是在学习了一些机器学习和深度学习的基础上的延伸，并且也学习了一部分pytorch的基础上，以下为相关链接： 提取码：hsxx阿里网盘「data1」https://www.aliyundrive.com/s/VY4iSy628jQ 提取码: 59ar 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看
转载
2023-12-21 09:59:34
37阅读
PyTorch入门实战教程笔记（十九）：卷积神经网络CNN 1什么是卷积1. 卷积神经网络基本概念 对于神经网络有几层，第一层为输入层，是不计算在内的，下图有3个隐藏层1个输出层，所以是4层的神经网络。每一层包含输入它的参数和它的输出。对于MiNIST数据集，2828 输入为784，参数一共390k，1.6M存储。 但是虽然1.6M存储，在当时储存计算也是非常困难的，计算机学家就利用模仿人眼的一个
转载
2023-10-08 00:34:09
128阅读
这里我们会用 Python 实现三个简单的卷积神经网络模型：LeNet 、AlexNet 、VGGNet，首先我们需要了解三大基础数据集：MNIST 数据集、Cifar 数据集和 ImageNet 数据集三大基础数据集MNIST 数据集 MNIST数据集是用作手写体识别的数据集。MNIST 数据集包含 60000 张训练图片，10000 张测试图片。其
原创
2022-03-23 14:10:53
705阅读
目录1 概述2 卷积（Convolution）2.1 单通道的卷积2.2 三通道的卷积2.2.1 1 Output Channel 2.2.2 M Output Channels3 卷积层常见参数3.1 padding3.2 stride3.3 Subsampling——MaxPo
转载
2023-08-12 20:18:14
133阅读
卷积神经网络卷积神经网络最初是为了解决计算机视觉的相关问题设计的，现在其不仅被应用在图像和视频领域，也可用于诸如音频信号的时间序列信号的处理之中。 本文主要着重于卷积神经网络的基本原理和使用PyTorch实现卷积神经网络。一. 发展脉络二. 卷积神经网络因为一开始卷积神经网络的提出也是为了解决图像问题，所以在阐述其理念时，我们也多会使用图像问题作为示例。（一）综述1. 全连接网络存在的问题全连接神
转载
2023-07-31 22:48:15
261阅读
（注：文章中所有path指文件的路径）因毕业设计需要，接触卷积神经网络。由于pytorch方便使用，所以最后使用pytorch来完成卷积神经网络训练。接触到的网络有Alexnet、vgg16、resnet50,毕业答辩完后，一直在训练Alexnet。1.卷积神经网络搭建 pytorch中有torchvision.models,里面有许多已搭建好的模型。如果采用预训练模型，只需要修改最后
转载
2023-10-12 13:37:00
61阅读
学习完土堆的Pytorch教程之后，进行了一次完整的卷积神经网络搭建、训练以及测试（文末附最好的Pytorch入门教程，来自B站UP土堆）。 本次搭建的是CIFAR10模型，模型结构见下图；数据集选用的是CIFAR-10数据集，其中训练集有50000张图片，测试集有10000张图片，类别为10分类。 本次实验的文件结构见下图： 其中，model.py中是对模型的定义；train.py中
转载
2023-09-14 21:45:58
142阅读
近期开始学习Pytorch，在这里小小记录下。 由于是实现卷积神经网络，所以数据集统一使用CIFAR10。 首先，搭建最简单的卷积神经网络：class Model(nn.Module):
def __init__(self) :
super().__init__()
# 序列化
self.model1=Sequential(
转载
2023-08-10 22:45:02
122阅读
卷积神经网络一、图片的识别过程：二、卷积神经网络解决了两个问题三、基本结构1.卷积层2.池化层3.ReLU 激活层单层卷积神经网络4.全连接层四、卷积神经网络流程五、卷积神经网络算法过程六、(代码)卷积神经网络---手写数字模型 一、图片的识别过程：1.特征提取-CNN自动提取（卷积层） 2.提取主要特征（池化层） 3.特征汇总 4.产生分类器进行预测识别（全连层）1.传统神经网络处理图片-全连
转载
2023-06-25 09:53:42
352阅读
视频中所涉及的代码如下：basic_cnn.py 一个简单的卷积层padding.py 卷积层参数——padding填充stride.py 参数——步长maxpooling.py 下采样——最大池化cnn.py 一个简单的卷积神经网络cnn_job.py 作业——修改网络结构1. basic_cnn.py 一个简单的卷积层 示范卷积层所做的工作import torch
in_channels, o
转载
2023-09-21 11:35:20
186阅读
二维互相关运算mport torch
import torch.nn as nn
def corr2d(X, K):
H, W = X.shape
h, w = K.shape
Y = torch.zeros(H - h + 1, W - w + 1)
for i in range(Y.shape[0]):
for j in range(Y.sh
转载
2023-08-11 16:57:23
159阅读
卷积神经网络 卷积神经网络（CNN）是深度学习的代表算法之一 。具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。 卷积是通过两个函数 f，g 生成第三个函数的一种数学算子，表征函数 f 与 g 经过翻转和平移的重
原创
2022-03-23 14:11:28
406阅读
一、AlexNet网络（1）学习特征：在具有一定复杂度的神经网络中，图像特征应该是由多个共同学习的神经网络组成，每一层都会有可学参数，例如在机器视觉中，最底层可能会检测出边缘颜色等信息，更高层则建立在这些底层表示的基础上提取更负责的特征，最终学习出图像的综合表示。（2）数据：lenet训练的数据集共有7万，对于深度神经网络训练明显不足，能够提取许多特征的深度模型需要大量的有标签数据。ImageNe
转载
2023-10-26 13:45:35
70阅读
目录1、卷积层和池化层实现1.1、4维数组1.2、基于im2col的展开1.3、卷积层的实现1.4、池化层的是实现2、CNN实现2.1、目录结构如下：2.2、结果如下：2.3、代码实现：2.3.1simple_convnet.py2.3.2train_convnet3、CNN可视化3.1、第一层权重的可视化3.2、基于分层结构的信息4、代表性的CNN4.1、LeNet4.2、AlexNet该文章是
转载
2023-10-27 19:32:00
86阅读
PyTorch中实现卷积的重要基础函数1、nn.Conv2d:nn.Conv2d在pytorch中用于实现卷积。nn.Conv2d( in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1,)1、in_channels为输入通道数。2、out_channels为输出通道数。3、kernel_size为卷积核大小。4、stride为步数。5、padding为padding
原创
2021-06-18 14:09:28
2943阅读
卷积神经网络中所有的层结构都可以通过 nn这个包调用。1.卷积层nn.Conv2d（）卷积在 pytorch 中有两种方式，一种是torch.nn.Conv2d()，一种是 torch.nn.functional.conv2d()，这两种形式本质都是使用一个卷积操作。 这两种形式的卷积对于输入的要求都是一样的，首先需要输入是一个 torch.autograd.Variable() 的类型，大小是
转载
2023-08-01 17:14:59
102阅读
通道数。3、kernel_size为卷积核大小。4、stride为步数。5、padding为padding
原创
2022-02-07 16:26:09
1612阅读
8. 卷积神经网络卷积卷积神经网络notationmulti-KernelLeNet-5卷积层的作用效果nn.Conv2dF.conv2d池化层poolingupsampleReLubatch norm使用原因feature scaleimage NormlizationBatch Normlization使用效果使用优势经典的神经网络ImageNet dataset 224x224LeNet-
转载
2023-09-12 19:41:23
64阅读
文章目录一、数据的读取1. Dataset 类2. DataLoader 类二、Pytorch搭建神经网络的流程三、卷积层3.1. 一维卷积层：torch.nn.Conv1d（）3.2. 二维卷积层：torch.nn.Conv2d（）3.3. 三维卷积层：torch.nn.Conv3d()四、池化层4.1. 1维最大池化：torch.nn.MaxPool1d()4.2. 2维最大池化：torch
转载
2024-04-15 12:32:31
200阅读
识别黑白图中的服装图案(Fashion-MNIST)基于上述代码修改模型的组成1 修改myConNet模型1.1.1 修改阐述将模型中的两个全连接层，变为全局平均池化层。1.1.2 修改结果### 1.5 定义模型类
class myConNet(torch.nn.Module):
def __init__(self):
super(myConNet, self
转载
2023-11-27 10:18:21
54阅读
