背景： 当不同类型数据的数量差别巨大的时候，比如猫有200张训练图片，而狗有2000张，很容易出现模型只能学到狗的特征，导致准确率无法提升的情况。这时候，一种可行的方法就是对原始数据集进行采样，从而生成猫、狗图片数量接近的新数据集。这个新数据集中可能猫、狗图片都各有500张，其中猫的图片有一部分重复的，而狗的2000张图片中有一部分没有被采样到，但是这时候新数据集的数据分布是均衡的，就可以比较好的
转载
2023-08-10 16:54:08
268阅读
卷积操作框在上一层移动，卷积操作生成下一层的每一个点 给不同的k(x,y)可以生成图片上不同的层最上面的x是b张图片三个通道，每个通道28*28 onek是一个kernel,knernel有三个通道，每个通道3*3multi_kernel是多个kernel，16个kernel，每个3个通道，每个通道3*3最左边的是原始一张图的三个通道rgb，他们和第二列k1（kernel1）进
转载
2023-08-08 14:05:06
110阅读
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode=‘nearest’, align_corners=None)函数的参数如下：input (Tensor) – the input tensor size (int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) – output spatial size. scale_factor
原创
2021-08-12 22:31:35
2163阅读
1. 概述本文主要是参照 B 站 UP 主 霹雳吧啦Wz 的视频学习笔记整个工程已经上传个人的 github https://github.com/lovewinds13/QYQXDeepLearning ，下载即可直接测试，数据集文件因为比较大，已经删除了，按照下文教程下载即可。论文下载：Deep Residual Learning for Image Recognition2. ResNetR
转载
2023-12-12 13:25:48
254阅读
测试了pytorch的三种取样器用法。一：概念Sample:取样器是在某一个数据集合上，按照某种策略进行取样。常见的策略包括顺序取样，随机取样（个样本等概率），随机取样（赋予个样本不同的概率）。以上三个策略都有放回和不放回两种方式。TensorDataset:对多个数据列表进行简单包装。就是用一个更大的list将多个不同类型的list数据进行简单包装。代码如下：class TensorDatase
转载
2023-07-27 20:03:09
275阅读
文章目录1. 函数语法格式2. 参数解释3. 实验测试 1. 函数语法格式torch.nn.functional.interpolate(
input,
size=None,
scale_factor=None,
mode='nearest',
align_corners=None,
recompute_scale_factor=None,
antialias=Fals
转载
2023-09-04 21:05:14
322阅读
一、反池化操作反池化操作有两种，一种是反最大池化，另一种是反平均池化。反池化是池化的逆操作，是无法通过池化的结果还原出全部的原始数据。因为池化的过程就只保留了主要信息，舍去部分信息。反最大池化 主要原理就是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值位置以外，其余补0。如上图，（图源网络）以下是我用在自编码结构中的一个
转载
2023-12-05 22:34:10
206阅读
在这一周，我主要是通过观看了吴恩达教授的机器学习，以及B站up主小土堆讲解的PyTorch，以下是我在这一周的学习笔记，继续努力，继续学习，继续进步！目录机器学习one-hot 编码连续有价值的功能回归树使用多个决策树有放回抽样随机森林XGBoost何时去使用决策树决策树以及随机森林案例无监督学习-聚类算法聚类算法- k-means无监督学习-优化目标初始化k-means选择聚类的数量PyTorc
转载
2024-06-07 10:54:07
71阅读
降采样 降采样指的是成比例缩小特征图宽和高的过程，比如从（W，H）变为（W/2，H/2）。深度卷积神经网络中降采样的方法主要有三种：stride大于1的poolingstride大于1的convstride大于1的reorg（在YOLOv2的论文里叫passthrough layer）其中1和2在深度卷积神经网络中使用非常普遍，3比较小众，由Joseph Redmon在YOLOv2中首次提出。用s
转载
2023-12-07 03:28:37
43阅读
1. torch.manual_seed(seed)说明：设置生成随机数的种子，返回一个torch._C.Generator对象。使用随机数种子之后，生成的随机数是相同的。参数：seed(int or long) -- 种子>>> import torch
>>> torch.manual_seed(1)
<torch._C.Generator objec
转载
2024-05-30 17:19:04
77阅读
这篇文章记录一个采样器都随机地从原始的数据集中抽样数据。抽样数据采用permutation。 生成任意一个下标重排，从而利用下标来提取dataset中的数据的方法需要的库import torch使用方法这里以MNIST举例代码详解那么这里就相当于抽取了一个全排列所以就可以了。补充知识：Pytorch学习之torch----随机抽样、序列化、并行化1. torch.manual_seed(seed)
转载
2023-09-27 16:48:53
112阅读
Upsample（上采样，插值）Upsampletorch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None)Upsamples a given multi-channel 1D (temporal), 2D (spatial) or 3D (volumetric)
转载
2023-07-24 15:27:13
312阅读
# Python 图片上下采样
## 引言
在计算机视觉和图像处理领域，图像的上下采样是一种常见的操作。上下采样可以改变图像的分辨率，从而影响图像的质量和大小。Python提供了简单易用的库和工具来实现图像上下采样的操作。
本文将介绍什么是图像上下采样，为什么需要进行上下采样，以及如何使用Python进行图像上下采样的操作。我们将使用OpenCV和PIL这两个流行的图像处理库进行示例演示。
原创
2024-01-12 07:14:27
83阅读
由于我们不能将大量数据一次性放入网络中进行训练，所以需要分批进行数据读取。这一过程涉及到如何从数据集中读取数据的问题，pytorch提供了Sampler基类【1】与多个子类实现不同方式的数据采样。子类包含：Sequential Sampler（顺序采样）Random Sampler（随机采样）Subset Random Sampler（子集随机采样）Weighted Random Sampler（
转载
2023-09-01 21:46:24
132阅读
去年曾经使用过FCN（全卷积神经网络）及其派生Unet，再加上在爱奇艺的时候做过一些超分辨率重建的内容，其中用到了毕业于帝国理工的华人博士Shi Wenzhe（在Twitter任职）发表的PixelShuffle《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional
转载
2023-12-29 18:53:43
145阅读
文章目录随机数种子和生成器状态seedmanual_seedinitial_seedget_rng_stateset_rng_statepytorch 内置的随机数生成器bernoulli (伯努利分布)multinomial （多项分布）normal （正态分布）Poisson （泊松分布）rand （区间[0,1)上的均匀分布）rand_like （区间[0,1)上的均匀分布、输出张量大小同
转载
2023-08-22 08:39:22
284阅读
PyTorch是一个开源的深度学习框架，它提供了一个用于高级特性的Python包。在本文中，我们将介绍PyTorch中的常见抽样函数。抽样是一个统计过程，它从总体中提取一个子集，通过子集来研究整个总体。torch.bernoulli()伯努利分布是一个离散分布，有两个结果，即成功和失败。如果成功的概率是p，那么失败的概率是(1-p)，反之亦然。PyTorch的实现和相应的输出如下:a = torc
转载
2024-03-05 23:43:36
97阅读
# PyTorch 降采样实用指南
在深度学习的过程中，常常需要对图像进行处理，而降采样（downsampling）是一个非常重要的步骤。通过降采样，您可以减小图像的尺寸，从而减少计算量，提高清晰度。本文将指导您实现 PyTorch 中的降采样，适合刚入行的小白进行学习和实践。
## 流程概述
我们可以将降采样分成几个主要步骤，如下表所示：
| 步骤 | 描述
原创
2024-10-19 08:43:01
176阅读
采样层是使用池化 (pooling) 的相关技术来实现的，目的就是用来降低特征的维度并保留有效信息，一定程度上避免过拟合。但是池化的目的不仅仅是这些，还有保持旋转、平移、伸缩不变形等。 采样有最大值采样，平均值采样，求和区域采样和随机区域采样等。池化也是这样的，比如最大值池化，平均值池化，随机池化，求和区域池化等。池化操作是在卷积神经网络中经常采用过的一个基本操作，一般在卷积层后面都会接一个池化操
参考目录：1 安装2 标量可视化3 权重直方图4 特征图可视化5 模型图的可视化6 卷积核的可视化本章节来初次使用tensorboard来可视化pytorch深度学习中的一些内容，主要可视化的内容包括：标量变化(模型损失、准确率等)；权重值的直方图；特征图的可视化；模型图的可视化；卷积核的可视化。其实tensorboard一开始是给tensorflow使用的可视化工具，PyTorch框架自己的可视
