OpenCV 笔记1. 计算机眼中的图像RGB: 图像的颜色通道# 数据读取-图像
import cv2
import matplotlib.pyplot as plt
import numpy as np
# %matplotlib inline # jupyter中使用
img = cv2.imread('cat.jpg')cv2.IMREAD_COLOR : 彩色图像cv2.I
转载
2023-11-07 11:26:56
72阅读
在使用 OpenCV 保存 PyTorch 张量的过程中，可以遇到不少问题。本博文将详细记录解决这一问题的过程，涵盖环境准备、分步指南、配置详解、验证测试、优化技巧及扩展应用等方面。
### 环境准备
#### 软硬件要求
- **操作系统**：Ubuntu 18.04 / 20.04，Windows 10
- **Python 版本**：3.8 及以上
- **PyTorch**：1.8.0
一、读写文件 有时我们希望保存训练的模型， 以备将来在各种环境中使用（比如在部署中进行预测）。 此外，当运行一个耗时较长的训练过程时， 最佳的做法是定期保存中间结果， 以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。 因此，现在是时候学习如何加载和存储权重向量和整个模型了。 1.加载和保存张量 对于单个张量，我们可以直接调用load和save函数分别读写它们。 这两个函数都要求我们提
转载
2023-08-08 10:12:39
274阅读
Tensor是PyTorch中最基础的概念，其参与了整个运算过程，包含属性，如data, device, dtype等，tensor的基本创建方法，如直接创建、依数值创建和依概率分布创建等。 1、VariableVariable是0.4.0之前版本的一种数据类型。下面是variable的一些属性torch.autograd.Variable.data #就是这张量
torch.autog
转载
2024-05-15 09:28:35
83阅读
了解张量的底层实现对张量的学习有很大的帮助。张量中的值被分配到由torch.Storage实例所管理的连续内存块中。存储区是由数字数据组成的一维数组，即包括给定类型的数字的连续内存块，例如float(代表32位浮点数)或int64(代表64位整数)。一个Pytorch的Tensor实例就是这样一个Storage实例的视图，该实例能够使用偏移量和每个维度的步长对该存储区进
转载
2024-05-30 11:42:45
68阅读
# PyTorch：同时保存多个张量
在深度学习和机器学习的领域中，处理数据的能力是至关重要的。PyTorch 是一个用于深度学习的开放源代码库，提供了强大的张量计算功能。在许多实际应用中，我们需要同时保存多个张量，比如模型的权重、优化器的状态以及训练过程中的损失值等。本文将介绍如何在 PyTorch 中实现同时保存和加载多个张量，并提供相关代码示例。
## PyTorch 张量简介
在 P
目录摘要state_dict恢复训练实例加载部分预训练模型保存 & 加载模型 来inference保存/加载state_dict (推荐)保存:加载:保存/加载整个模型保存:加载:保存 & 加载一个通用Checkpoint来做测试或恢复训练保存:加载:加载不同模型的参数warmstarting保存:加载:跨设备保存/加载模型（CPU与GPU）模型保存在GPU上，加载到CPU保存加
转载
2023-08-10 17:37:29
169阅读
# PyTorch将张量保存成文件
在深度学习中，Tensor（张量）的保存与加载是一个非常重要的操作。PyTorch作为一种流行的深度学习框架，提供了简单易用的API来处理张量的保存与加载。本文将介绍如何使用PyTorch将张量保存成文件，并提供相应的代码示例。
## 一、保存张量
在PyTorch中，可以使用`torch.save`函数将张量保存为文件。这个函数支持多种格式，最常见的是将
文章目录一、维度改变1.flatten展开a.函数的基本用法b.示例2.unsqueeze增维a.函数的基本用法b.示例3.squeeze降维a.函数的基本用法b.示例二、张量变形1.view()a.函数的基本用法b.参数：c.注意事项d.示例2.reshape()a.注意事项b.示例3.reshape_as()a.函数的基本用法b.参数：c.示例d.注意三、维度重排1.permutea.函数的
转载
2024-06-27 11:39:31
35阅读
在深度学习的领域中，PyTorch作为一种流行的框架，常常用于模型训练和数据处理。然而，当我们需要将张量数据保存为MATLAB可以使用的`.mat`文件格式时，用户可能会遇到挑战。本文将深入探讨如何使用PyTorch将张量保存为MAT格式的全过程，包括背景、参数分析、调试步骤、性能调优、最佳实践和生态扩展等方面。
## 背景定位
在深度学习和科学计算的任务中，数据的格式转换尤为重要，尤其是在跨
注意：Train/Test过程中 inputs 和 labels，以及待训练 model 均加载到GPU中。对小模型来说，多GPU并行运算反而耗时，大模型bath_size远大于GPU数(或加宽加深Hidden-layers)，GPU优势才能体现。增大bath_size，导致预测准确率降低，可增大epoch。因为pytorch是在第0块gpu上初始化，占用一定空间的显存，所以使用不当会遇到out
转载
2023-10-10 21:53:19
254阅读
Pytorch简介Pytorch是一个基于Python的深度学习框架，可以代替Numpy在GPU上进行科学计算。什么是TensorTensor即张量，类似于Numpy的ndarrays，tensor可以在GPU上使用以加速计算。Pytorch创建张量的常用方法创建一个未初始化的张量，其值不确定：# 初始化值不确定，由所分配内存的当前值决定
x = torch.empty(5, 3)
print(x
转载
2023-09-21 06:25:21
396阅读
PyTorch框架学习（二） — 张量操作与线性回归1 张量的操作1.1 拼接1.2 切分1.3 索引1.4 变换2 张量的数学运算2.1 加法运算2.2 减法运算2.3 哈达玛积运算(element wise，对应元素相乘)2.4 除法运算2.5 特殊运算 torch.addcdiv2.6 特殊运算 torch.addcmul2.7 幂函数2.7 指数函数2.8 对数函数2.9 三角函数2.1
转载
2023-09-14 22:03:42
157阅读
Pytorch 零基础学习系列 之 创建张量在深度学习中，神经网路结构是基础；在Pytorch中，张量是构建神经网络的基础 。从本质上讲，Pytorch就是一个处理张量的库。一个张量可以是一个数字、向量、矩阵或者任何n维数组。比较重要的一点是张量可以在GPU上进行计算。例如，下图分别展示了1维张量，2维张量和3维张量：如何创建一般张量？方法一(1) 导入 pytorch 和 numpyimport
转载
2023-08-30 10:36:22
164阅读
一、张量tensor张量的三个特征：秩、轴、形状张量的秩是指索引的个数，轴是指每一个维度的最大的索引的值，张量的形状提供了维度和索引的数量关系。经常需要对张量进行重塑t.reshape(1,9)利用上述函数可以将张量按任意想要的形状进行重塑下面我们考虑具体的情况，将张量带入CNN的输入中这里的张量的秩为4，即[B,C,H,W]，其中后两个维度作为每一个像素的长和宽的索引，第三个维度作为RBG或者灰
转载
2023-10-26 11:26:48
108阅读
前言PyTorch 于 2016 年首次推出。在 PyTorch 之前，深度学习框架通常专注于速度或可用性，但不能同时关注两者。PyTorch将这两者相结合，提供了一种命令式和 Python编程风格，支持将代码作为模型，使调试变得容易，支持 GPU 等硬件加速器。PyTorch 是一个 Python 库，它通过自动微分和 GPU 加速执行动态张量计算。它的大部分核心都是用 C++ 编写的，这也是
转载
2023-09-27 22:27:49
298阅读
张量对象张量（Tensor）是一种特殊结构，出于并行计算的需要设计，可在GPU等硬件加速器上运行。类似于数组和矩阵，用于对模型的输入输出，模型参数进行编码。 Pytorch中的Tensor类似于Numpy中的ndarray，二者可相互转换，且共享底层内存，可理解为同一数据引用的不同表现形式。修改其中之一会同时修改另一方。张量初始化可由现有数据对象创建张量，或根据维度创建：data = [[1, 2
转载
2023-08-21 09:16:40
162阅读
张量操作一、张量的拼接与切分1.1 torch.cat()功能：将张量按维度dim进行拼接tensors：张量序列dim：要拼接的维度1.2 torch.stack()功能：在新创建的维度的上进行拼接tensors：张量序列dim：要拼接的维度（如果dim为新的维度，则新增一个维度进行拼接，新维度只能高一维） &nbs
转载
2023-07-28 19:31:33
201阅读
一般一维数组，我们称之为向量（vector）,二维数组，我们称之为矩阵（matrix）;三维数组以及多位数组，我们称之为张量（tensor）。
在介绍张量分解前，我们先看看矩阵分解相关知识概念。 一、基本概念矩阵补全（Matrix Completion）目的是为了估计矩阵中缺失的部分（不可观察的部分），可以看做是用矩阵X近似矩阵M，然后用X中的元素作为矩阵M中不
转载
2024-01-23 17:02:49
354阅读
在一般时候，当我们谈及存储时，我们指的是CPU上面的RMA。Pytorch张量也可以存储在另一种处理器上：GPU。每个Pytorch张量都可以存储到GPU上，以快速进行大规模并行计算。接下来，所有在张量上执行的操作将使用Pytorch附带的特定于GPU的例程来执行。 Pytorch支持各种GPU： 到2019年年中，P
转载
2023-09-20 21:55:34
123阅读
