1、ResNet详解ResNet 网络是在2015年由微软实验室提出，斩获当年 ImageNet 竞赛中分类任务第一名，目标检测第一名。获得 COCO 数据集中目标检测第一名，图像分割第一名。论文：《Deep Residual Learning for Image Recognition》网络中的亮点：超深的网络结构。（突破1000层）提出 Residual 模块。使用 Batch Normali
转载
2024-05-22 17:15:35
314阅读
目录1.回忆上一讲及本讲我们要做什么2.回顾finetune是怎么训练的（finetune.py）3. 训练SVM二分类模型 （linear_svm.py）3.1 load_data3.2 custom_classifier_dataset.py 3.3 custom_batch_sampler.py3.4 hi
转载
2024-08-08 12:03:14
94阅读
基于ResNet 18实现的MNIST数字多分类（pytorch 框架）下文将进行对于原理的介绍，若已了解原理可直接到文末 免费获取完整代码。一、原理介绍MNIST是一个非常有名的手写数字识别数据集，在很多资料中，这个数据集都会被用作深度学习的入门案例。MNIST数据集是NIST数据集的一个子集，它包含了60000张图片作为训练数据，10000张图片作为测试数据。在MNIST数
转载
2024-04-05 11:51:43
96阅读
一.说明我的环境：Windows10系统 Pycharm tensorflow2.3.0代码目录结构：数据集按类别分开成单独的文件夹，每个文件夹下存储对应的数据集图片：各文件夹说明： 1.datasets：数据集所在位置 2.model：训练之后生成的模型所在位置 3.pretrain_model：存放着resnet50的预训练模型 4.test：单独进行预测的图片 5.predict.py：调用
转载
2024-05-03 11:51:54
30阅读
项目背景 现在要对XXX疾病进行二分类，通常医学上称之为阴性（无XXX病），阳性（有XXX病）。对于分类任务来说，二分类是最简单的分类任务。经典的分类网络（VGG，ResNet，DenseNet等）都是在ImageNet进行1000类分类任务。因此，本项目拟采用经典网络ResNet系列网络结构进行二分类实验。基本内容数据采集：特定设备采集人体3D数据，渲染生成训练需要的各种类型的2D图片。那么应
转载
2024-04-01 11:17:39
174阅读
目录1. 数据增强（Data Augmentation）2. 迁移学习3. 模型保存 4. 102种类花分类实战1. 数据集2.导入包3. 数据读取与预处理操作 4. Datasets制作输入数据5.将标签的名字读出 6.展示原始数据 7.加载models中提供的模型 8.初始化 9.优化器设置&nbs
这篇教程我们来实现Kaiming He大神提出的ResNet网络，并在CIFAR-10数据及上进行测试，我的测试结果完全复现了论文中的精度。本文中的参数设置、数据增强等内容均遵循原文。网络搭建ResNet原文： Deep Residual Learning for Image Recognition这篇文章中提出了像下面这样的经典残差结构，关于这种结构的解读可搜索其他文章，在此不多赘述。 后续Ka
转载
2024-07-02 21:40:30
180阅读
1、model.pyimport torch.nn as nn
import torch
# 【1】定义18/34层的残差结构；这个模块不仅需要有实线残差功能，还要有虚线的功能
class BasicBlock(nn.Module):
# 18/34层的残差结构，他的第一层与第二层的卷积核的个数是一样的
expansion = 1 # 对应的残差结构主分支上所采用的卷积
转载
2024-08-29 20:09:20
50阅读
作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian SunImageNet Top5错误率： 3.57%主要思想：Residual，残差，名字就体现了，不学绝对值，而学差值。不去学绝对的完全重构映射，只学映射后相对于原来的偏差，即和identity的差值，绝对变相对，容易多了。前向，容易学习，后向，有了梯度高速通道，更好训练，能避免梯度消失。基本结构网
转载
2024-03-15 11:05:59
60阅读
一 继往开来提出Batch Normalization 加速训练（丢弃dropout）:将一批数据的feature map转化为满足均值=0，方差=1的分布提出了残差网络块（Residual）：人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。在这之前，神经网络都是由卷积层+池化层堆叠而成。而且我们认为这种堆叠深度越深，抽取的图像特征越高级，效果也会最佳。
实际上，随
转载
2024-04-28 12:57:17
449阅读
“ 前文我们使用libtorch实现的Resnet34网络对Cifar-10进行分类，测试集的分类准确率仅有74.95%，本文我们在前文的基础上做了一些改进，使得测试集的分类准确率达到94.15%。”深度学习这玩意儿就像炼丹一样，很多时候并不是按照纸面上的配方来炼就好了，还需要在实践中多多尝试，比如各种调节火候、调整配方、改进炼丹炉等。我们在前文的基础上，我们通过以下措施来提高Cifar
转载
2024-08-30 13:37:46
113阅读
二分类问题可能是应用最广泛的机器学习问题。在这个例子中，你将学习根据电影评论的文字内容将其划分为正面或负面。 本节使用 IMDB 数据集，它包含来自互联网电影数据库（IMDB）的 50 000 条严重两极分化的评论。数据集被分为用于训练的 25 000 条评论与用于测试的 25 000 条评论，训练集和测试集都包含 50% 的正面评论和 50% 的负面评论。1 二分类问题模型的训练二分类问题有以下
环境：OS：UbuntuCaffe环境（CUDA、OpenCV、cuDNN、...）Nvidia显卡 TITIAN X目录1.数据准备（使用自己的数据）1.1生成 所有图像数据的 每一幅图的路径 类别标签的 txt文件2.利用1中的txt文件生成 lmdb文件3.准备网络模型：网络定义文件prototxt4.准备Caffe的Solver 文件：solver.prototxt5.开始训练6.训练完成
零基础学Pytorch#3 | 用Pytorch实现Softmax多分类Ⅰ.笔记目标此博文就学习Pytorch具体实践做学习笔记，适用于对机器学习、深度学习有一定理论基础但实践能力薄弱的朋友。本文也着重讲解代码实践过程，不重概念的讲解。*此账号与error13为同一拥有者，此博客为error13博文的补充与更新（增加源码和详细解说）。Ⅱ.代码实操这节课老师主要讲是如何应用softmax实现多分类问
转载
2023-09-13 11:44:25
198阅读
环境tensorflow 2.1
最好用GPUCifar10数据集CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题。任务的目标对一组32x32 RGB的图像进行分类，这个数据集涵盖了10个类别：飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。下面代码仅仅只是做显示Cifar10数据集用import numpy as np
import matplotlib.pyp
One-hot encoding（伪变量）是一种将类别变量转换为几个二进制列的方法。机器学习中对分类变量的one-hot编码不是好选择。会随特征维度增加增加one-hot 数量。维度在较低量是更好的。如有一个代表美国州的列，one-hot方案将导致另外五十个维度。为数据集增加大量的维度，产生太多没用信息；导致异常稀疏的现象，且难以进行特征优化；对神经网络的优化器在错误空间时会遇到很多麻烦。而且每个
分类器性能指标之ROC曲线、AUC值一 roc曲线1、roc曲线：接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)纵轴：真正类率(true p
转载
2024-07-10 14:13:02
132阅读
1 为什么要用 Transformer ？（创新点）1.1 问题来源最开始机器翻译使用的 seq2seq 所存在的问题：encoder 和 decoder 之间的上下文向量长度固定，但输入文本的长度是不固定的，长度不对称固定长度的上下文向量无法对长语句做有效编码，会遇到信息瓶颈，产生信息丢失的情况为了解决上述问题，基于 attention 的 seq2seq 随即被提出（这个 attention
3.4 CNN架构下面我们主要以一些常见的网络结构去解析，并介绍大部分的网络的特点。这里看一下卷积的发展历史图。3.4.1 LeNet-5解析首先我们从一个稍微早一些的卷积网络结构LeNet-5（这里稍微改了下名字）,开始的目的是用来识别数字的。从前往后介绍完整的结构组成，并计算相关输入和输出。3.3.1.1 网络结构激活层默认不画网络图当中，这个网络结构当时使用的是sigmoid和Tanh函数，
https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson8/resnet_inference.py这篇文章主要介绍了 图像分类的 inference，其中会着重介绍 ResNet。模型概览在torchvision.model中，有很多封装好的模型。 可以分类 3 类： 经典网络 alexnetvggres
