在深度学习的世界中，PyTorch 和卷积神经网络（CNN）是当今最受欢迎的技术之一。无论是在计算机视觉、自然语言处理还是其他领域，搭建和训练模型的效率与灵活性使得这两个工具的结合变得不可或缺。在本文中，我们将探讨 PyTorch 和 CNN 的关系，从问题背景到解决方案中的细节，让我们深度了解这一结合的潜力和应用。
### 问题背景
在我们进行图像处理任务时，发现使用 PyTorch 构建的
Jetson的一堆设备（NANO，TX2，AGX Xavier）都是移动端CPU基于 ARM aarch64架构的孤儿设备，anaconda都用不了。libtorch是pytorch的C++ API，部署做推理的时候比一般python代码要快不少。在Intel或AMD架构的CPU上可以直接从官网下载编译好的运行库文件，cmake起来简单方便。但是这些编译好的.so文件都不能直接在Jetson上直接
转载
2023-11-15 22:37:54
78阅读
《PyTorch深度学习实践》视频一.GoogLeNet1. 其中的多次出现的蓝红结构被称之为：Inception 1.1 什么是1 * 1的单个卷积核？对于1 * 1的卷积核，层数不同仅代表不同值的单个像素，与对应图像做数乘运算要求和，化作一层的输出。而这n个卷积组成的不同卷积核的数量，决定输出的层数 1.2 1 * 1的卷积核作用对于相同的图像经过卷积层操作，得
转载
2023-10-08 08:08:14
194阅读
PyTorch框架学习十四——学习率调整策略一、_LRScheduler类二、六种常见的学习率调整策略1.StepLR2.MultiStepLR3.ExponentialLR4.CosineAnnealingLR5.ReduceLRonPlateau6.LambdaLR 在上次笔记优化器的内容中介绍了学习率的概念，但是在整个训练过程中学习率并不是一直不变的，一般学习率是要先设置的大一些，然后在训
最近在做细胞分割，尝试了很多CNN的分割模型，对比下来发现unet性能真的是很好。在很小的训练集上（30张）也能取得非常不错的分割效果。以前一直以为CNN结构更多的是靠瞎蒙，现在发现其实不是。CNN虽然内部的整个流程很难去揣摩，但是还是有很多比较整体的经验可以借鉴，在模型构建上还是有规可循。 按照我这些日子的测试，结合一点自己的理解和网上各位大佬的帖子，说一下我自己的看法。 U-Net和FCN非常
转载
2024-02-23 23:24:01
131阅读
神经网络人工神经网络（ Artificial Neural Network， 简写为ANN）也简称为神经网络（NN）。是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的 计算模型。经典的神经网络结构包含三个层次的神经网络。分别输入层，输出层以及隐藏层。 其中每层的圆圈代表一个神经元，隐藏层和输出层的神经元有输入的数据计算后输出，输入层的神经元只是输入。神经网络的特点每个连接都有个
转载
2024-10-11 14:23:43
79阅读
0. 一壶清酒 给最近的工作做一个小小的总结。不会放出实测代码，以后有机会会补上部分内容。这篇博客算是调好一个简单测试样例，在CSDN上搜索“基于RNN的短评”也会有一些相关的技术贴。不过可能是用keras这些完成的，我用的基础的tf手写。测试了两个不同的网络，TextCNN和双向GRU。只要意思到位了就可以了。1. 一身尘灰 首先，简单介绍一下
人工神经网络（Artificial Neural Network，简称ANN）的目的是利用计算机模拟我们人类大脑处理问题的过程，这里来分析一下其逻辑，不作专业解释了。 ANN是一个统计模型，由观测数据集（S）和概率（P）组成。 对于一张图片，我们将其所有的像素作为我们的数据集，利
CNN卷积神经网络之ResNet前言神经网络的“退化”问题残差块(Residual Block)网络结构Residual Block的分析与改进*理解与反思 未经本人同意，禁止任何形式的转载！前言《Deep Residual Learning for Image Recognition》 论文地址：https://arxiv.org/pdf/1512.03385.pdf.2014年VGG达到19
转载
2024-08-08 10:43:05
56阅读
0 引言PointNet是处理点云数据的深度学习模型，其地位堪比2D图像处理中的CNN网络， 后续的诸多点云数据处理的深度网络都有PointNet的影子。1 点云数据介绍既然PointNet处理的是点云数据， 那么首先需要先知道点云数据是长什么样子。 其实所谓点云数据就是一系列点组成的集合， 每一个点代表一个三维坐标(x,y,z), (注：有些点云数据可能是6个值， 除了三个坐标外， 还有nx,n
Pytorch - torchvision简介torchvision.modelsdatasetstransforms代码实现 简介torchvision是Pytorch的计算机视觉工具库，是Pytorch专门用于处理图像的库。torchvision.modelstorchvision.models中包含了许多已经训练好的模型，可以通过models直接调用，也可以通过随机初始化的权重来重创这些模
转载
2024-01-10 13:44:24
40阅读
论文复现：结合 CNN 和 LSTM 的滚动轴承剩余使用寿命预测方法一、简介针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出一种结合卷积神经网络（convolution neural networks，简称CNN）和长短时记忆（long short term memory，简称 LSTM）神经网络的滚动
转载
2024-07-31 20:57:14
50阅读
参考文档：CS231n一、概述 卷积神经网络（Convolutional Neural Network，CNN）与原始的fully connect neural network相似，由具有可训练的权重和偏差的神经元组成，每个神经元接受输入，执行点积，有选择性的用一个非线性函数处理它。整个网络仍表现为一个单一可微函数，并在最后一层具有损失函数。不同之处在于，CNN明确假定输
转载
2024-05-23 23:18:24
67阅读
一、概述
卷积神经网络（Convolutional Neural Network, CNN）是一种深层神经网络模型。它的特殊性体现在两个方面：
a.相邻层
的神经元之间的连接是非全连接的
b.同一层中某些神经元之间的连接的权重是共享的
c.空间或时间上的采样
前馈神经网络，各神经元从输入层开始，接收前一级输入，并输出到下一级，直至输出层。整个网络中无
转载
2024-04-08 10:38:57
125阅读
1、相关知识 从广义上来说，NN（或是更美的DNN）确实可以认为包含了CNN、RNN这些具体的变种形式。有很多人认为，它们并没有可比性，或是根本没必要放在一起比较。在实际应用中，所谓的深度神经网络DNN，往往融合了多种已知的结构，包括convolution layer 或是 LSTM 单元。其实，如果我们顺着神经网络技术发展的脉络，就很容易弄清这几种网络结构发明的初衷，和他们之间本质的区别。2
转载
2024-03-18 15:27:45
34阅读
什么是PyTorch PyTorch 是Torch7 团队开发的，从它的名字就可以看出，其与Torch 的不同之处在于PyTorch 使用了Python 作为开发语言。所谓“Python first”，同样说明它是一个以Python 优先的深度学习框架，不仅能够实现强大的GPU 加速，同时还支持动态神经网络，这是现在很多主流框架比如Tensorflow 等都不支持的。PyTorch 既可以看做
转载
2023-08-05 00:17:09
262阅读
2023年，YOLO系列已经迭代到v8，v8与v5均出自U神，为了方便理解，我们将通过与v5对比来讲解v8。想了解v5的可以参考文章yolov5。接下来我将把剪枝与蒸馏的工作集成到v8中，大家可以期待一下。如果有什么不理解的地方可以留言。
对yolo系列感兴趣的朋友可以点yolov1,yolov2,yolov3,yolov4,yolov5,yolov
绿色区域表示将该区域作用域(四种方法都贯穿了w,h维度)，即将该区域数值进行归一化，变为均值为0，标准差为1。BN的作用区域时N,W,H,表示一个batch数据的每一个通道均值为0，标准差为1；LN则是让每个数据的所有channel的均值为0，标准差为1。IN表示对每个数据的每个通道的均值为0，标准差为1.
BN，LN，IN，GN从学术化上解释差异：
BatchNorm：batc
LSTM+CNN是一种常用的文本分类模型，它结合了LSTM和CNN两种神经网络模型的优点，可以有效地提取文本的特征，并对其进行分类。LSTM（Long Short-Term Memory）模型是一种能够捕捉序列信息的递归神经网络模型，其能够有效地解决传统RNN模型在处理长序列时遇到的梯度消失问题。CNN（Convolutional Neural Network）模型是一种能够捕捉局部特征的卷积神经
转载
2023-10-08 07:51:56
1505阅读
点赞
简述：⼈⼯神经⽹络（artificial neural network，ANN），简称神经⽹络（neural network，NN）。是⼀种模仿⽣物神经⽹络(动物的中枢神经系统，特别是⼤脑)的结构和功能的数学模型或计算模型，⽤于对函数进⾏估计或近似。激活函数非线性变换，将累加信号变换后输出，一般使用压缩函数。来限制振幅。作用：增强网络表达能力，非线性输出，没有激活函数就相当于矩阵相乘。一个神经网络
转载
2024-07-17 21:56:33
110阅读
