# 使用PyTorch复现图卷积网络（GCN）
## 引言
在图数据迅速增长的今天，图神经网络（GNN）成为了机器学习和深度学习研究的重要方向。其中，图卷积网络（GCN）作为一种基础网络模型，已被广泛用于节点分类、图分类等任务。本文将利用PyTorch复现GCN，并通过简单代码示例帮助读者理解其基本概念及实现方式。
## 什么是图卷积网络（GCN）
GCN的基本思想是将卷积操作推广到非结构
原创
2024-10-22 04:46:14
126阅读
## CCNet复现指南：用PyTorch实现
### 引言
随着深度学习的快速发展，各种模型不断被提出并应用于实际问题中。其中，CCNet（Criss-Cross Network）是一种高效的卷积神经网络，特别适用于语义分割任务。本文将详细介绍如何使用PyTorch复现CCNet，并提供一个简单的代码示例。
### CCNet简介
CCNet的核心思想是利用交叉注意力机制，增强特征之间的
一、Unet网络论文地址：https://arxiv.org/pdf/1505.04597.pdfpytorch代码：https://github.com/milesial/Pytorch-UNet二、网络结构话不多说，先上图 Unet很简单，具体可以看作为左右两个部分，自上而下的编码器Encode和和由
文章目录首先使用 numpy 实现网络。张量autograd定义torch.autograd.Function的子类nn包优化模型自定义 nn 模块控制流+权重共享?是不是级联的思想？ 首先使用 numpy 实现网络。Numpy 提供了一个 n 维数组对象，以及许多用于操纵这些数组的函数。 Numpy 是用于科学计算的通用框架。 它对计算图，深度学习或梯度一无所知。 但是，我们可以使用 nump
转载
2024-09-22 12:22:04
55阅读
在深度学习领域，YOLO（You Only Look Once）已经成为了目标检测的热门选择。然而，很多人在使用 PyTorch 重现 YOLO 模型时会遇到不小的挑战。本文将分享我在复现 YOLO PyTorch 过程中所面临的技术痛点、演进历程、架构设计、性能测试、故障复盘，以及扩展应用。
“在目标检测中，如何能在保持精度的同时提升检测速度，是我们最初的技术痛点。”
通过分析，我们可以将问
最近为了实现HR-net在学习pytorch，然后突然发现这个框架简直比tensorflow要方便太多太多啊，我本来其实不太喜欢python，但是这个框架使用的流畅性真的让我非常的喜欢，下面我就开始介绍从0开始编写一个Lenet并用它来训练cifar10。1.首先需要先找到Lenet的结构图再考虑怎么去实现它，在网上找了一个供参考2.需要下载好cifar-10的数据集，在pytorch下默认的是下
转载
2024-09-30 18:23:26
33阅读
# MVSNet在PyTorch中的复现
## 简介
多视角立体视觉（Multi-View Stereo，MVS）是一种通过多张不同视角的图像重建场景三维结构的方法。MVSNet是一种基于深度学习的MVS方法，能够在复杂场景中进行高效的三维重建。本文章将介绍如何在PyTorch中复现MVSNet模型，并附上代码示例。
## MVSNet的基本原理
MVSNet的核心在于通过多张图像中的特征
原创
2024-10-10 06:11:49
478阅读
# MVSNet在PyTorch中的复现
## 1. 引言
MVSNet（Multi-View Stereo Network）是一种深度学习方法，用于从多视角图像中恢复3D场景。它的出现极大地推动了计算机视觉和3D重建领域的发展。本文将介绍如何在PyTorch中复现MVSNet，并通过代码示例对其进行详细说明。
## 2. MVSNet的工作原理
MVSNet的核心思路是将多视角图像对齐后
问题计算模型的FLOPs及参数大小FLOPS是处理器性能的衡量指标，是“每秒所执行的浮点运算次数”的缩写。FLOPs是算法复杂度的衡量指标，是“浮点运算次数”的缩写，s代表的是复数。一般使用thop库来计算from thop import profile
from thop import clever_format
input = torch.randn(1, 3, 512, 512)
mo
转载
2023-11-20 17:15:50
159阅读
1. 张量范数关于范数的理解可以参考这篇文章，在Pytorch中矩阵的范数主要通过以下接口实现。torch.norm(input, p='fro', dim=None, keepdim=False, out=None, dtype=None)返回给定张量的矩阵范数或向量范数。注意torch.norm 已弃用，可能会在未来的 PyTorch 版本中删除。
在计算向量范数时使用 torch.lina
转载
2024-01-12 09:00:23
139阅读
这篇博文是好久以前复现代码的时候顺手写的,但当时没时间手写pointnet++了,只写了frstum_pointnets_pytorch(https://github.com/simon3dv/frustum_pointnets_pytorch),再后来的实验又改了PointRCNN作为baseline, 所以这边就一直没更新下去了, 而且后面的东西写得很乱, 导致这篇博文屯了几个月都还没发布,
转载
2023-09-14 14:35:24
522阅读
文章目录基本运算add/minus/multiply/dividematmul基本函数统计属性normmean,sum,min,max,prod,argmin,argmaxkthvalue,topk\>,>=,<,<=,!=,==高阶操作(GPU)whereGather梯度lossMean Squared Error(MSE)：自动求导：torch.autograd.gr
转载
2023-11-17 12:05:41
116阅读
深度森林复现pytorch是一个有趣而复杂的任务。下面是这篇博文的流程记录。
## 环境预检
首先，在开始之前，我们需要确认系统的基本要求。以下是相关的系统要求与硬件配置。
| 系统要求 | 版本 |
|----------|------------|
| Python | 3.7及以上 |
| PyTorch | 1.8.0及以上 |
| NumPy | 1
# PyTorch复现代码：从理论到实践
在深度学习的研究与应用中，复现论文中的实验结果是一项重要的工作。通过复现，研究者不仅可以提高自己的理论知识，还有助于深入理解模型的机制。本文将重点介绍如何使用 PyTorch 进行复现，并提供相关代码示例。通过这个过程，我们可以更好地掌握深度学习模型的构建与训练。
## PyTorch简介
PyTorch 是一个流行的深度学习框架，因其简单易用、灵活
1.了解PointNet为了更好的复现这个东西我们需要先了解这个东西，先把原文给出的图片放在这里，之后我们再一点点理解。1.1点云的特点1.1.1无序性：也就是说这个点的先后顺序和实际上是什么无关 你不管这些点加入集合的顺序如何，最后的最后他们组成的图形还是那么个图形，也就是说这些东西的顺序是完全没有必要的。 所以我们必须使用对称的函数： 也就是说，这个函数必须要满足，你怎么调换函数变量的输入顺序
转载
2024-01-05 22:37:45
36阅读
# 如何实现fast scnn在pytorch中的复现
## 概述
在这个任务中，我们将教会一个刚入行的小白如何在PyTorch中复现fast scnn模型。Fast scnn是一种用于实时语义分割的轻量级神经网络模型，非常适合移动端应用。在这篇文章中，我们将逐步介绍整个实现过程，并提供相关的代码示例。
## 流程概览
首先，让我们看一下整个流程的步骤，我们可以使用以下表格展示：
| 步骤
原创
2024-06-12 04:31:10
292阅读
动手实现胶囊网络2017年，Hinton团队提出胶囊网络，首次将标量型网络扩展到矢量，并运用动态路由方式来进行胶囊之间的传递计算。提出的矢量神经元被认为具有保留物体姿态的能力，为神经网络带来了等变性(equivariance)。本着learning by doing的态度，笔者尝试对这一篇论文进行复现。本文不会对其原论文原理和思想有太多解释。在保证工程性和完整性的同时，尽可能记录自己在实现过程中的
神经网络之Pytorch学习笔记 文章目录神经网络之Pytorch学习笔记前言一、张量（tensor）1 创建张量1.1 数据转换1.2 直接创建1.3 查看张量状态2.重塑操作2.1 查看张量形状与元素个数2.2 重塑、压缩、解压、拼接、叠加3.元素操作3.1 运算、广播3.2 缩减、其他二、准备数据1.FashionMINST数据集三、建立模型1.CNN网络参数设定以及搭建四、训练模型1.CN
转载
2024-01-05 22:28:14
66阅读
文章目录为什么要处理变长输入？pytorch如何处理变长?具体如何使用?记得标签要对应总结参考资料: 为什么要处理变长输入？一般的，在通过embedding层转换为词向量之前，我们的输入形式如下:batch_size * max_len，每一个句子都是一个列表，其中的元素是单词对应的下标。 如果一个句子原来的长度<max_len，我们需要进行padding操作，即在这个列表里填0，0下标表
转载
2024-08-13 16:25:22
65阅读
Let's start！data=np.array([1.,2.,3.,4.])
t1=torch.Tensor(data)
t2=torch.tensor(data)
t3=torch.as_tensor(data)
t4=torch.from_numpy(data)
print(t1)
print(t2)
print(t3)
print(t4)
结果：
tensor([1., 2.
转载
2023-08-24 14:57:55
167阅读
