导言： 在CV很多方向所谓改进模型，改进网络，都是在按照人的主观思想在改进，常常在说CNN的本质是提取特征，但并不知道它提取了什么特征，哪些区域对于识别真正起作用，也不知道网络是根据什么得出了分类结果。 如在上次解读的一篇论文《Feature Pyramid Transformer》(简称FPT
转载
2024-06-14 21:13:53
121阅读
# NLP特征可视化实现指南
作为一名经验丰富的开发者，我将教会你如何实现NLP特征可视化。在本文中，我将向你展示一个简单的流程来实现这一目标。首先，让我们来看一下整个流程的步骤。
## 流程步骤
下表列出了实现NLP特征可视化的步骤。
| 步骤 | 动作 |
| ---- | ---- |
| 步骤1 | 数据收集 |
| 步骤2 | 数据预处理 |
| 步骤3 | 特征提取 |
| 步
原创
2023-10-11 04:13:10
158阅读
1. 可视化单张图片from torch.utils.tensorboard import SummaryWriter
import torch
if __name__ == '__main__':
summary_writer = SummaryWriter(log_dir='log_image', comment='test tensorboard image', filename
转载
2024-04-11 10:17:02
276阅读
目录TensorBoardCreate a summary writerGeneral api formatAdd scalar`add_scalar``add_scalars`Add graph (visualize a model)Add histogramAdd imageadd_imagetorchvision.utils.make_gridadd_imagesAdd figureAdd
一、数据描述1.1、数据集描述movies数据框包含45456行，有共10列，有adult，belongs_to_collection，budget，genres，homepage等24个，对应每个电影的的一些特征。type：类型director：导演country：国家keyword：关键字score：评分belongs_to_collection：归属popularity：声望revenue：
转载
2023-11-17 13:00:19
119阅读
TensorBoard可以将训练过程中的各种绘制数据展示出来，包括标量（scalars），图片（images），音频（Audio）,计算图（graph）,数据分布，直方图（histograms）和嵌入式向量。
使用TensorBoard展示数据，需要在执行Tensorflow就算图的过程中，将各种类型的数据汇总并记录到日志文件中。然后使用TensorBoard读取这些日志文件，解析
转载
2024-07-31 20:36:54
113阅读
最近一直在搞课题，因为看代码不直观，所以将网络结构进行可视化处理。使用了两种方法，各有优缺点，下面记录一下使用方法供人参考方法一：torchsummary可视化torchsummary可视化是pytorch可视化的一种方法，需要安装库，关于库的安装可以搜一下帖子，然后就是关于使用方法。首先导入这个库，在model里更改需要可视化的结构，这里我可视化的是我的判别器，然后传入网络设定的256x1024
转载
2023-10-26 11:44:16
215阅读
数据可视化简介可视化：用可视形式进行解释的动作或过程；形象化可视化的作用记录信息 分析推理 证实假设 交流思想可视化的原因因为当今处于信息爆炸的时代，处理数据的能力成为了一项至关重要的技术。通过进行可视化可以很好的对大量数据进行处理并很好的展现出来。可视化的总结协助思考 使用感知代替认知 作为大量工作记忆的外界辅助 增强认知能力视觉感知与认识感知：关于输入信号的本质； 看见的东西 认知：关于
转载
2023-12-14 10:56:56
99阅读
TensorBoard是TensorFlow的可视化工具，它可以通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态。TensorBoard和TensorFlow程序跑在不同的进程中，TensorBoard会自动读取最新的TensorFlow日志文件，并呈现当前TensorFlow程序运行的最新状态。1、TensorBoard简单介绍：以下的简单代码完成了T
转载
2024-03-25 09:27:41
53阅读
close all;clear all;clc;x=0:0.1:10;y1=sin(2*x);y2=2*sin(x);plot(x,y1,'b*-',x,y2,'r+:');%定义颜色，顶点，线型axis([0,pi,0,2]);%定义坐标轴范围title('正弦曲线');%标题xlabel('时间/单位:秒');%设置x轴和y轴标题ylabel('电压/单
原创
2023-10-10 09:14:07
224阅读
在前面几节讲过一些简单的深度神经网络分类器，由于CNNs（卷积神经网络）程序出来的识别率有一些问题需要，所以暂时还没有更新这一部分。这节我想介绍下利用MATLAB的GUI设计一个图形化界面的NMIST识别系统。界面其实很简单，如下所示：下面我就将一步一步介绍如何做这个界面。 第一步：打开MATLAB→File→New→GUI，然后就会出现如下图示。然后点击Blank GUI
文章目录前言一、效果图二、使用步骤1.使用方法2.注意事项总结 前言最近写论文需要观察中间特征层的特征图，使用的是yolov5的代码仓库，但是苦于找不到很好的轮子，于是参考了很多，只找了这个，但是我觉得作者写的太复杂了（我之前就是这个作者的小粉丝)，在参考了github的yolov5作者给出的issue建议后，自己写了个轮子，没有复杂的步骤，借助torchvision中的transforms将t
加权图在了解狄克斯特拉算法之前，先介绍一下加权图。如图，假设你要从起点出发到达终点，如果只考虑换乘少，即最短路径。那么可以使用广度优先搜索算法，该算法我之前简单的写过，链接点这里。但是，现在你要找出最快的路径，为此，可使用狄克斯特拉算法。图中，每个数字表示的是时间，单位分钟。这些数字成为权重（weight)，带权重的图成为加权图 (weight graph)，不带权重的图称为非加权图（unweig
转载
2024-09-26 07:32:53
108阅读
一、基础知识残差块如下图所示，假设我们的原始输入为x，而希望学出的理想映射为 f ( x ) （作为 residual_block 上方激活函数的输入）网络的每一层我们看作是：y = H ( x )，也就是这里的输出f ( x )残差网络的一个残差块可以表示为：H ( x ) = F ( x ) + x ,这里的F ( x )等价于residual_block 右图虚线框中的部分那么就
如果我们实现了一个 CNN 网络，在 mnist 上通过两个卷积层完成分类识别。但是在我们调试代码的过程中，其实往往会想要知道我们的网络训练过程中的效果变化，比如 loss 和 accuracy 的变化曲线。当然，我们可以将训练过程中的数据数据打印出来，但是一个是不够直观，另外一个是没有图形的表现力强。所以本篇笔记介绍了 tensorboard 来完成可视化的操作。1. TensorBoard 介
文章目录1. 效果图2. 完整代码3. 代码说明4. 可视化梯度，feature 文章中的代码是参考 基于Pytorch的特征图提取编写的代码本身很简单这里只做简单的描述。 1. 效果图 先看效果图(第一张是原图，后面的都是相应的特征图，这里使用的网络是resnet50，需要注意的是下面图片显示的特征图是经过放大后的图，原图是比较小的图，因为太小不利于我们观察):2. 完整代码impor
转载
2024-05-31 10:16:11
240阅读
参考文档：https://mp.weixin.qq.com/s/UYnBRU2b0InzM9H1xl4b4g在之前的第二篇笔记中，我们实现了一个 CNN 网络，在 mnist 上通过两个卷积层完成分类识别。但是在我们调试代码的过程中，其实往往会想要知道我们的网络训练过程中的效果变化，比如 loss 和 accuracy 的变化曲线。当然，我们可以像前面的文章一样，将训练过程中的数据数据打印出来，但
可视化特征图可视化可视化为深度学习模型的训练和测试过程提供了直观的解释。在MMYOLO中，可以使用VisualizerMMEngine中提供的feature map可视化，具有以下特点：支持基本绘图界面和特征图可视化。支持选择模型中的不同层来获取特征图。显示方式包括squeeze_mean、select_max、topk。用户还可以使用 自定义特征图显示的布局arrangement。特征图生成您可
Feature
原创
2023-06-25 10:07:56
522阅读
# 深度学习特征可视化
深度学习特征可视化是一种通过理解神经网络中的特征表示来解释和理解深度学习模型的方法。本文将介绍实现深度学习特征可视化的流程和所需的代码。
## 流程
下面是实现深度学习特征可视化的基本流程：
| 步骤 | 描述 |
| --- | --- |
| 1 | 加载预训练的深度学习模型 |
| 2 | 选择感兴趣的特征层 |
| 3 | 准备输入图像 |
| 4 | 前向
原创
2023-08-03 06:49:56
243阅读
