文章目录Pytorch的基本使用Numpy和Tensor之间的转化GPU训练用numpy手动实现两层神经网络用pytorch手动实现两层神经网络Pytorch的NeuralNetwork库自定义模型用神经网络玩游戏 Pytorch的基本使用导入torch库，然后用torch.empty(5，3)初始化一个5*3的tensor。 这个tensor里的数字是随机的。torch.rand(5,3)里创
转载
2024-04-18 15:51:38
45阅读
一、Tensor的创建和使用1.概念和TensorFlow的是基本一致的，只是代码编写格式的不同。我们声明一个Tensor，并打印它，例如：import torch
#定义一个Tensor矩阵
a = torch.Tensor([1, 2], [3, 4],[5, 6], [7, 8])
print(a)
print('{}'.format(a))然后会发现报以下错误：new() received
转载
2023-07-23 19:20:33
117阅读
# PyTorch代码的结构
## 引言
PyTorch是一个广泛使用的深度学习框架，它提供了一种方便的方式来构建、训练和部署神经网络模型。PyTorch的代码结构是其核心设计之一，它使得用户可以轻松地定义模型的结构和训练过程。
本文将介绍PyTorch代码的结构，包括主要的组件和它们之间的关系。我们将通过一个简单的示例来演示如何使用PyTorch构建和训练一个卷积神经网络。
## PyT
原创
2023-09-12 18:13:37
89阅读
# 使用PyTorch实现U-Net结构
U-Net是一种广泛用于医学图像分割的卷积神经网络（CNN）架构。它的特点是具有U形的结构，能够捕捉图像的局部特征和上下文信息。本文将向您介绍如何在PyTorch中实现U-Net结构，内容包括流程概述、代码示例和详细的步骤解析。
## 实现流程
以下是实施U-Net结构的步骤概述：
| 步骤 | 描述 |
参数设置## 维度
d_model = 512 # sub-layers, embedding layers and outputs的维度(为了利用残差连接，是一个加法操作)
d_inner_hid = 2048 # Feed Forward(MLP)的维度【d_ff】
d_k = 64 # key的维度
d_v = 64 # value的维度
## 其它
n_head = 8 # 多头注意力机制
转载
2024-05-17 15:18:30
70阅读
定义模型的几个步骤： 1.定义模型类，使其继承于Module类； 2.在模型类的初始化接口中定义网络层； 3.在模型类的正向数据流处理接口中，将网络层连接起来并添加激活函数。Module类的使用方法Module类的add_module()
转载
2023-12-16 15:08:43
93阅读
一. 从loss出发，tragets是怎么计算出来的推演：涉及到执行到这一部分时，可迭代对象在内部做了啥事pbar = tqdm(enumerate(dataloader), total=nb)
for i, (imgs, targets, paths, _) in pbar:进入到dataset 对象实现的 __getitem__()方法（基础的python语法）在读代码的时候，发现yolov3
同学你好！本文章于2021年末编写，已与实际存在较大的偏差！故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，Pytorch深度学习·理论篇(2023版)目录地址为： Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pyt
文章目录可视化网络结构使用print函数打印模型基础信息使用torchinfo可视化网络结构CNN可视化CNN卷积核可视化CNN特征图可视化方法CNN class activation map可视化方法使用TensorBoard可视化训练过程 datawhale 深入浅出PyTorch 可视化网络结构随着深度神经网络的发展，网络的结构越来越复杂，我们也很难确定每一层的输入结构，输出结构以及参数
转载
2023-10-20 06:52:22
1923阅读
点赞
目录1 学习pytorch进行图像处理的四个必用链接：2 运行Mask R-CNN例程时的问题点2.1 在哪儿下载 engine.py transforms.py utils.py?Github下载xxx.py文件的方法 2.2 安装pycocotools2.3 手动输入代码时出现的一些问题2.4 CPU模式下运行代码的小BUG3&n
系列文章目录 文章目录系列文章目录前言一、网络结构是什么？二、网络结构有哪些？1.输入层即数据集准备层2.卷积层3.改进层1、非线性化（激活函数）**ReLU**2、减参**MaxPool**3、缓解过拟合**Dropout**4、缓解梯度饱和BN4.全连接层总结 前言今天开始介绍Pytorch的又一重点内容网络结构，这是自己搭建网络的前提，即搞清楚网络是由哪些基本结构组成的，识别各个网络。一、网
转载
2023-07-18 10:18:02
69阅读
3. TF 代码分析初步 3.1 TF总体概述 为了对TF有整体描述，本章节将选取TF白皮书[1]中的示例展开说明，如图 3 1所示是一个简单线性模型的TF正向计算图和反向计算图。图中x是输入，W是参数权值，b是偏差值，MatMul和Add是计算操作，dMatMul和dAdd是梯度计算操作，C是正向计算的目标函数，1是反向计算的初始值，dC/dW和dC/dx是模型参数的梯度函数。 图
转载
2023-09-06 12:51:44
341阅读
前言：前面介绍了如何自定义一个模型——通过继承nn.Module类来实现，在__init__构造函数中申明各个层的定义，在forward中实现层之间的连接关系，实际上就是前向传播的过程。事实上，在pytorch里面自定义层也是通过继承自nn.Module类来实现的，我前面说过，pytorch里面一般是没有层的概念，层也是当成一个模型来处理的，这里和keras是不一样的。前面介绍过，我们当然也可以直
转载
2023-12-01 19:40:32
97阅读
对PyTorch架构的粗浅理解，不能保证完全正确，但是希望可以从更高层次上对PyTorch上有个整体把握。水平有限，如有错误，欢迎指错，谢谢！先来看一下整个优化过程：首先调用前向（forward）通道来计算输出和损失，然后调用反向通道（backward）得到模型的导数。最后按照权重合并这些导数更新模型以期最小化损失。 前向传播计算损失，反向传播损失优化，更新各个网络权重。back
转载
2023-10-27 12:05:16
120阅读
在学习和使用深度学习框架时，复现现有项目代码是必经之路，也能加深对理论知识的理解，提高动手能力。本文参照相关博客整理项目常用组织方式，以及每部分功能，帮助更好的理解复现项目流程，文末提供分类示例项目。1 项目组织在做深度学习实验或项目时，为了得到最优的模型结果，中间往往需要很多次的尝试和修改。一般项目都包含以下几个部分：模型定义数据处理和加载训练模型（Train&Validate）训练过程
转载
2024-04-15 17:48:52
63阅读
Pytorch Document学习笔记Pytorch Document学习笔记1. 网络层1.1 torch.nn.Conv2d1.2 torch.nn.MaxPool2d / torch.nn.MaxUnpool2d1.3 torch.nn.ReLU1.4 torch.nn.BatchNorm2d2. 优化器2.1 torch.optim.SGD2.2 torch.optim.Adagrad
文章目录前言LeNetAlexNetVGGNet 前言大致总结一下深度学习的流程：配置变量：批次，学习率，迭代次数设备等。导入数据：数据预处理(标准化，清洗，去噪，划分数据集)，弹性形变等。搭建网络：卷积、池化、激活函数等。训练模型：选择损失函数，选择优化方法，迭代循环嵌套批次循环。（训练外层可以套k折交叉验证）内层循环执行过程：x输入网络得到输出y->y与标签比对得到损失->梯度清
转载
2024-10-24 22:07:17
17阅读
代码链接：https://github.com/ultralytics/yolov3文章链接注意几点1.训练语句有问题。python train.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 10 这个语句肯定是错的了应该是： 传入参数。python train.py --data data/rbc.data
一、VGG16的结构层次VGG16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，采用pooling；再经过3次256个卷积核卷积后。采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接。1、附上官方的vgg16网络结构图:conv3-64的全称就是convolutio
转载
2023-10-20 20:23:49
95阅读
前言：在深度学习的时候，能够很好的绘制出整个网络的模型图，这是非常方便的，当前流行的tensorflow和pytorch都有很多种方法可以绘制模型结构图，特在此总结如下：tensorflow的模型结构可视化方法：（1）使用自带的tensorboard（不直观）（2）使用netron工具打开（.pd 或者是.meta文件）（3）第三方库CNNGraph（ https://git
转载
2023-11-08 16:53:07
117阅读
