前言如何在anconda创建Faster-RCNN虚拟环境和用pycham为项目配置环境见（linux）Faster-RCNN pytorch目标检测1：环境配置gpu+anaconda+pycham+ RTX2080ti 笔记，确认你已经编译完成部分参考： Faster-RCNN.pytorch的搭建、使用过程详解（适配PyTorch 1.0以上版本\使用Faster RCNN训练自己的数据集_
转载
2024-01-02 20:14:53
69阅读
# 实现pytorch最后一层t-SNE
## 概述
在深度学习中，我们经常需要将高维数据映射到低维空间进行可视化或聚类分析。t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种常用的降维技术。在PyTorch中，我们可以通过一些简单的步骤实现对最后一层特征的t-SNE降维。
## 流程概览
下面是实现pytorch最后一层t-SNE的步骤
原创
2024-06-29 06:13:32
397阅读
loc/iloc函数 loc函数：通过行索引“index”中的具体值来取行数据 iloc函数：通过行号来取行数据import numpy as np
import pandas as pd
#创建一个Dataframe
data = pd.DataFrame(np.arange(16).reshape(4,4), index=list('abcd'), columns=list('ABCD'))
神经网络的激活函数必须使用非线性函数。换句话说,激活函数不能使用线性函数。为什么不能使用线性函数呢?因为使用线性函数的话,加深神经网络的层数就没有意义了。 可以看出，如果用线性激活函数，或者叫恒等激活函数，那么神经网络只是把输入的线性组合再输出.后续的例子中会看到，如果使用线性激活函数或者不使用激活函数，那么无论你的神经网络有多少层，一直在做的只是计算线性激活函数，所以不如直接去掉全部隐藏层。因
已经两周没有发文了，每天依然有几个粉丝的增量，真的非常感谢大家没有取关。之前一段时间由于一直加班，发文就很少，好不容易工作上忙的差不多了，又出了一些事情，搞得我更加的焦头烂额。之后可能会写成文章跟大家交流一下，之所以说“可能”，是因为写完之后我得多读读，虽然是每个人都会经历的事情，但不想写着写着变成了焦虑文，那我就不发了，尽力不做贩卖焦虑的事。转载文章我发的也少，经历过早期的方向不确定以后，现在转
转载
2024-10-25 06:43:29
40阅读
# PyTorch获取网络的最后一层
在深度学习中，神经网络的最后一层通常是输出层，用于产生模型的预测结果。有时候，我们需要获取网络的最后一层来进行特定的操作，比如特征提取、迁移学习等。在PyTorch中，获取网络的最后一层并不难，下面将介绍如何实现这一操作。
## 获取网络的最后一层
在PyTorch中，我们可以通过`children`属性来获取网络的所有子层，然后从中选择最后一层。下面是
原创
2024-04-22 05:54:10
278阅读
双击UNetbootin,选择要刻录的ISO镜像文件选择刻录的目标是一个u盘启动器下面是步骤：注意上述方式操作系统完全运行在u盘上面，而不是运行在硬盘上。但是上一种方式不可以安装软件包，也不可以对操作系统进行升级。这个时候的u盘或启动光盘是只读模式的。如果想要安装软件包或者是对软件包进行升级，此时就要选择Live USB Persistence或者是Live USB Encrypted Persi
backwards()函数对梯度的操作对于一个新的tensor来说，梯度是空的；但当对这个tensor进行运算操作后，他就会拥有一个梯度：x = torch.ones(2, 2, requires_grad=True)print(x)print(x.grad_fn)y = x + 2print(y)print(y.grad_fn)输出结果：tensor([[1., 1.],[1., 1.]], r
pytorch 中间结果
算法和数据的相互成全数据中，结构化数据的应用和管理相对简单，然而随着非结构化数据的大量涌现，其处理方式和传统的结构化数据有所不同。
其一：处理工具智能化，智能化一方面体现再AI模型的应用，另外一方面也可以说数据具有了独特的情况，可随着模型的不同，数据就有所不同
其二，随着模型的固化，其实也是一种智力方式的固化，不同的模型对数
转载
2024-07-16 12:31:15
86阅读
一般来说，激活函数使网络具有非线性化的作用，在神经网络中，正是由多个网络层接激活函数而使其由足够的非线性拟合的能力。常用的激活函数包括：Sigmoid函数、Tanh函数、Relu函数、Softmax函数、ELU函数（指数线性单元）、SELU函数等等，下面将对前四个函数展开详细的叙述：Sigmoid函数Sigmoid函数的表达式为：该函数常用于回归问题上，其的值域为(0, 1)，x越接近
转载
2024-03-31 10:27:38
72阅读
简介： 激活函数是卷积神经网络模型中必不可少的一个单元，它不仅让深层神经网络变得有意义，而且使得模型对非线性空间的拟合效果更好。目前有很多种类的激活函数，其中比较常用的包括逻辑函数、双曲正切函数、线性整流函数、带泄露线性整流函数等，它们各有自身的优缺点，下面分别介绍一下各个激活函数，之后在项目中可以根据不同的场景选择对应的激活函数。前言激活函数不仅对于卷积神经网络非常重要，在传统机器学习中也具备着
转载
2024-03-18 09:19:20
35阅读
1.神经网络最后一层 要有激活函数么？不一定要有激活函数。见过代码，对mnist进行多分类的。直接wx+b，然后后面又接了一个soft max，使用交叉熵做loss function，学习率是0.01，虽然准确率不怎么样大概0.917(学习1000个batch，batch size是100)，，但是证明 最后一层并不一定需要激活函数(也可以认为soft max也是一种激活函数)。 2.r
转载
2024-05-27 17:34:38
127阅读
# 使用 PyTorch 查看网络最后一层输出通道数
在深度学习领域，PyTorch 是一个非常受欢迎的深度学习框架，由于其灵活性和易用性，特别适合研究和开发。但是，在定义和使用神经网络时，开发者常常需要了解网络各层的输出格式，尤其是最后一层的输出通道数。本篇文章将介绍如何查看 PyTorch 网络模型最后一层的输出通道数，并通过示例代码进行说明。
## PyTorch 网络结构
在 PyT
PyTorch快速入门
PyTorch快速入门1. 安装linux系统安装Anaconda环境从官网下载Linux版本的anaconda，https://www.anaconda.com/download/在终端执行 bash Anaconda2-5.0.0.1-Linux-x86_64.sh 安装过程中会显示配置路径Prefix=/home/moluo
转载
2024-10-01 10:33:16
29阅读
作者：魏秀参 全连接层到底什么用？我来谈三点。全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层
转载
2024-08-30 13:33:17
202阅读
LINUX平台设备分为
1 设备层（主要是描述设备资源）
2 驱动层（我们写驱动要实现的）
设备层：主要定义个设备的资源。
用platform_device结构体来描述一个平台设备。定义在（/include/LINUX/platform_device.h）
struct platform_device {
const char
转载
2024-05-07 11:11:40
47阅读
深度学习中我们会碰到很多的功能层，那么这些层有什么作用？我们该怎么理解呢，我认为本文可以很生动通俗的解答这个问题通常，卷积神经网络除了输入和输出层之外还有四个基本的神经元层，在三层神经网络中，这基层被称为隐藏层卷积层（Convolution）激活层（Activation）池化层（Pooling）完全连接层（Fully connected）卷积层在最初的卷积层中，成千上万的神经元充当第一组过滤器，搜
转载
2023-09-20 17:00:48
256阅读
本文在写作过程中参考了大量资料，不能一一列举，还请见谅。 递归的定义： 程序调用自身的编程技巧称为递归。递归做为一种算法在程序设计语言中广泛应用。 一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法，它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解，递归策略只需少量的程序就可描述出解题过程所需要的多次重复计算，大大地减少了程序的代码量。递归的能力在于用有限的语句
转载
2024-10-13 17:27:39
41阅读
如何实现Python循环的最后一层
## 引言
作为一名经验丰富的开发者，我非常乐意教导新手如何实现Python循环的最后一层。循环的最后一层是指在循环执行完最后一次之后，执行的特定代码块。在本文中，我将向你展示实现这一功能的步骤，并提供相应的代码示例和解释。
## 步骤概述
以下是实现Python循环的最后一层的步骤概述：
步骤 | 描述
--- | ---
1 | 初始化计数器和循环
原创
2024-02-05 10:42:11
32阅读
高阶卷积——卷积神经网络总结高阶卷积——卷积的神经网络总结1、卷积核一定越大越好吗？--3x3卷积核2、每层卷积只能用同一尺寸的卷积核吗？--Inception结构3、怎样才能减少卷积层的参数？ --Bottleneck4、越深的网络越难训练吗？Resnet残差网络5、深度不是最重要，Block（通道数）更重要，--Wide Resnet6、 通道信息是否也具有局部性 --ResNext7、通道
