DQN使用PyTorch在OpenAI Gym上的CartPole-v1任务上训练深度Q学习（DQN）智能体任务CartPole-v1环境中，手推车上面有一个杆，手推车沿着无摩擦的轨道移动。 通过对推车施加+1或-1的力来控制系统。 钟摆最开始为直立状态，训练的目的是防止其跌落。 杆保持直立的每个时间步长都提供+1的奖励。 当杆与垂直线的夹角超过15度时，或者推车从中心移出2.4个单位以上时，训练
图像中的风格转换风格转换是最早来源于图像领域的概念，一言以蔽之，即是：将一张图片的艺术风格应用到另外一张图片上。 深度卷积网络具有良好的特征提取能力，不同层提取的特征具有不同的含义。深度卷积网络由一层层的非线性函数组成，可以视为复杂的多元线性函数，该函数完成从输入图像到输出的映射。一般而言，训练风格转换深度网络的损失函数来源于两个方面：内容损失可以使用均方误差度量内容图片\(\vec p\)和生成
安装流程一、anaconda（或miniconda）下载安装教程二、conda配置虚拟环境1、配置conda的环境变量2、python环境创建3、添加镜像源及查看.condarc文件4、gpu版本的pytorch安装三、将配置好的conda虚拟环境匹配到pycharm中使用 一、anaconda（或miniconda）下载安装教程建议下载最新版本的conda，否则在安装包的时候会出现版本过低导致
上次跟着Tensorflow的官方教程，用tensorflow写了一遍后，觉得不太习惯tensorflow的风格，于是用pytorch再写了一遍，熟悉了pytorch的基本代码流程本文主要为了熟悉pyTorch机器学习的代码一般格式，在音乐生成的模型上有很多不合理的操作，所以结果也不太好。先粘一段上一篇博客的内容安装用的目前最新版pyTorch，也就是1.10.2 使用pretty_midi库来读
转载
2023-12-09 09:31:52
172阅读
基于Torchaudio构建数据集 文章目录基于Torchaudio构建数据集前言02 Training a feed forward network03 Making predictions04 Creating a custom dataset05 Extracting Mel spectrograms06 Padding audio files07 Preprocessing data on
转载
2023-12-01 11:41:31
51阅读
在调试bug中提高自己，送给所有调试bug迷茫的朋友们1.需要进行类型转换：RuntimeError: Found dtype Long but expected Float即发现dtype是Long，但是期待的是FloatRuntimeError: Found dtype Long but expected Float将得到的loss值进行类型转换 解决方法：loss = torch.
转载
2023-12-20 22:10:04
248阅读
日常工作中会出现各个公司网络不互通的情况，视频如果采用不互通的地址也无法播放，下面方法提供了检测视频是否可以播放的解决方案：1、跨域var video = document.createElement('video');
video.onload = function() {
alert('success, it exsist');
// show video element
}
转载
2023-06-08 10:20:22
1023阅读
Diabetes数据集X1~X8是八个指标，Y代表未来一年病情是否会加重。 这个地址可以找到库中的数据集文件。D:\Anaconda3\Lib\site-packages\sklearn\datasets\data 多维逻辑回归模型相乘后是标量，将其转置表示不改变计算结果上标表示样本，下标表示特征 公式的改变： 对于Mi
本文内容借鉴于: Speech Processing for Machine Learning: Filter banks, Mel-Frequency Cepstral Coefficients (MFCCs) and What’s In-Between | Haytham Fayek1. 什么是梅尔语谱图和梅尔倒频系数？机器学习的第一步都是要提取出相应的特征(feature)，如果输
转载
2023-12-02 07:33:33
622阅读
入门pytorch似乎不慢，写好dataloader和model就可以跑起来了，然而把模型搭好用起来时，却往往发觉自己的程序运行效率并不高，GPU使用率宛如舞动的妖精...忽高忽低，影响模型迭代不说，占着显存还浪费人家的计算资源hh 我最近就是遇到这个困难，花了一些精力给模型提速，这里总结一下（有些描述可能并不准确，但至少这些point可以借鉴hh，不妥之处恳请大家指正/补充啦）dataloade
转载
2024-01-03 21:09:32
23阅读
目标检测（object detection）一、 介绍在图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。 然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。 在计算机视觉里，我们将这类任务称为目标检测（object detection）或目标识别（object recognition）。 目标检测所关注的问题：分类：
转载
2023-11-14 09:00:13
141阅读
目标检测是对图像中存在的目标进行定位和分类的过程。识别出的物体在图像中显示为边界框。一般的目标检测有两种方法：基于区域提议的和基于回归/分类的。在本章中，我们将使用一个名为YOLO的基于回归/分类的方法。YOLO-v3是该系列的其中一个版本，在精度方面比以前的（YOLOV1、YOLOV2)版本表现更好。因此，本章将重点介绍使用PyTorch开发的Yolo-v3。 在本章中，我们将学习如何实现YOL
转载
2023-08-07 19:44:36
594阅读
一、环境搭建当前：Windows10 + Anaconda3.61.1 创建PyTorch的虚拟环境打开Anaconda中的Anaconda Prompt那个黑框框，输入：#注意这里pytorch是自己设置的虚拟环境名称，可以随意取
conda create --name pytorch python=3.6之后输入y，创建pytorch虚拟环境。以下是一些常规命令：#进入到虚拟环境
activa
转载
2023-07-28 15:38:09
180阅读
实现网络的前向传播第二部分中，我们实现了 YOLO 架构中使用的层。这部分，我们计划用 PyTorch 实现 YOLO 网络架构，这样我们就能生成给定图像的输出了。我们的目标是设计网络的前向传播。定义网络如前所述，我们使用 nn.Module 在 PyTorch 中构建自定义架构。这里，我们可以为检测器定义一个网络。在 darknet.py 文件中，我们添加了以下类别：class Darknet(
转载
2023-07-18 12:59:39
153阅读
睿智的目标检测23——Pytorch搭建SSD目标检测平台学习前言什么是SSD目标检测算法源码下载SSD实现思路一、预测部分1、主干网络介绍2、从特征获取预测结果3、预测结果的解码4、在原图上进行绘制二、训练部分1、真实框的处理a、找到真实框对应的先验框b、真实框的编码2、利用处理完的真实框与对应图片的预测结果计算loss训练自己的SSD模型一、数据集的准备二、数据集的处理三、开始网络训练四、训
转载
2024-07-23 09:49:25
53阅读
代码地址：https://github.com/xxcheng0708/Pytorch_Retinaface_Accelerate 本文介绍的方法是提升pytorch版本RetinaFace代码在数据预处理阶段的速度，使用纯pytorch框架进行模型推理，并不涉及模型的onnx、tensorrt部署等方法。本文介绍的方法适用于从磁盘加载分辨率相同的一批图像使用RetinaFace进行人脸
转载
2023-11-10 07:20:09
100阅读
Pytorch 目标检测和数据集0. 环境介绍小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。1. 目标检测1.1 概述在图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。 在计算机视觉里，我们将这类任务称为目标检测（object detecti
转载
2023-08-02 09:35:39
241阅读
这几天一直在做调包侠，是时候来总结总结了。记录一些我所遇到的不常见的问题。faster rcnn:参考代码：
jwyang/faster-rcnn.pytorchgithub.com
pytorch代码调试，相较于tensorflow的版本要友好一些，不用创建软连接啥的，数据集直接复制voc2007就行(暂时没有尝试coco)，不过要注意如果有一个类别是0（就是完全没有目标的
转载
2023-11-16 22:23:10
108阅读
目录图像中的目标检测视频中的目标跟踪作者有言在文章《基于 PyTorch 的图像分类器》中，介绍了如何在 PyTorch 中使用您自己的图像来训练图像分类器，然后使用它来进行图像识别。本篇文章中，我将向您展示如何使用预训练的分类器检测图像中的多个对象，然后在视频中跟踪它们。图像分类(识别)和目标检测分类之间有什么区别？在分类中，识别图像中的主要对象，然后通过单个类对整个图像进行分类。在检测中，在图
转载
2023-11-01 21:31:59
120阅读
原始的CIFAR10数据集有60000张图，其中训练集50000张，测试集10000张。然而，kaggle提供了300000张图的大型数据集用来测试CIFAR10。这里是kaggle网站关于这些图片的介绍：“为了阻止某些形式的作弊(如手动标签)，我们在测试集中添加了290,000张垃圾图片。这些图片在评分中被忽略。我们还对官方的10,000个测试图像做了一些微不足道的修改，以防止通过文件哈希查找它
转载
2023-12-02 13:26:35
0阅读
