python pytorch AI机器学习实践-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

python pytorch AI机器学习实践

专栏成员

74

文章

121217

阅读量

18

订阅数

CIFAR10数据集实战-ResNet网络构建（下）

这里注意到由[2, 64, 32, 32]到[2, 128, 32, 32]，channel数量翻倍，而长和宽没有变化。这样势必会导致x的维度会越来越大。

2020-02-24

9590

CIFAR10数据集实战-ResNet网络构建（中）

再定义一个ResNet网络我们本次准备构建ResNet-18层结构 class ResNet(nn.Module): def __init__(self): super(ResNet, self).__init__() self.conv1 = nn.Sequential( nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(64

2020-02-24

6690

CIFAR10数据集实战-ResNet网络构建（上）

之前讲到过，ResNet包含了短接模块（short cut）。本节主要介绍如何实现这个模块。

2020-01-14

1.1K0

CIFAR10数据集实战-LeNet5神经网络（下）

下面开始加入test部分先写入test部分代码 for x, label in cifar_test: x, label = x.to(device), label.to(device) logits = model(x) pred = logits.armax(dim=1) # 用argmax选出可能性最大的值的索引为进行比对定义正确率写入对比 total_correct += torch.eq(pred, label).float().sum().item()

2020-01-02

6390

CIFAR10数据集实战-LeNet5神经网络（中）

本节介绍在LeNet5中求loss的操作。本结构使用CrossEntropyLoss进行求loss 首先引入工具包 import torch.nn.functional as F 加入代码 self.criteon = nn.CrossEntropyLoss() 返回logits return logits 下面开始写运行函数返回main.py文件中为加快运算速度，定义硬件加速 device = torch.device('cuda') 设置迭代次数 for epoch in range(1000):

2019-12-19

6070

CIFAR10数据集实战-LeNet5神经网络（上）

kernel channel input padding size

上次课我们讲解了对于CIFAR10数据读取部分代码的编写，本节讲解如何编写经典的LeNet5神经网络。

2019-12-19

8820

CIFAR10数据集实战-数据读取部分（下）

bash bash 指令

这里设置了batch_size=32，对于一般硬件配置来说32是个较合理的数值，若硬件性能够强可设更高。

2019-12-19

1.6K0

CIFAR10数据集实战-数据读取部分（上）

html pytorch mnist pycharm size

登录http://www.cs.toronto.edu/~kriz/cifar.html网站，可以自行下载数据集。

2019-12-19

2.3K0

Pytorch小技巧-数据增强（下）

局部增强，一般裁剪操作是配合图片旋转操作共同进行，先裁减掉一部分，再进行旋转即可。

2019-12-09

1.7K0

Pytorch小技巧-数据增强（上）

神经网络机器学习深度学习人工智能

那么在现实生活中，想要得到大量的数据，不仅要收集各种情景下、各种角度、各个位置的照片，还有确保数据的多样性。

2019-12-05

2.1K0

pytorch基础知识-Batch Norm（下）

上图是对前节课所讲的小结，通过Normalize将[6, 3, 784]分为3个通道的[6, 784]数据。使得数据结果整体分布于(0~正负1)区间内。

2019-12-05

2.8K0

Pytorch-nn.Module

pytorch 面向对象编程

（1）nn.Module在pytorch中是基本的复类，继承它后会很方便的使用nn.linear、nn.normalize等。

2019-12-05

6300

Pytorch-经典卷积网络介绍（下）

上次课介绍了LeNet-5和AlexNet，本节课介绍VGG和GoogleNet。

2019-12-04

5390

Pytorch-经典卷积网络介绍（上）

卷积神经网络神经网络

y轴是错误率。由图看出在较早期的拘役2⁓4层神经网络结构的shallow错误率高达25.8%和28.2%。而后在alexnet出现后，一下子将错误率降到了16.4%、而后具有19层结构的VGG网络和22层的GoogleNet进一步将错误率降到了7.3%和6.7%。而后发现的ResNet更是将错误率降到了3.57%。

2019-12-04

4670

Pytorch-ResNet（残差网络）-下

channel cut 性能

在左图（准确率）的比较中，从AlexNet到GoogleNet再到ResNet，准确率逐渐提高。20层结构是很多网络结构性能提升的分水岭，在20层之前，模型性能提升较容易。但在20层之后，继续添加层数对性能的提升不是很明显。但ResNet很好地解决了高层数带来的误差叠加问题，因此性能也随着层数的增加而提升。

2019-12-04

1.1K0

Pytorch-ResNet（残差网络）-上

神经网络 kernel

由之前的研究，会有人疑问是否往往更深层次的神经网络具有更佳的表现？这种问题现在还无法进行完美的解答。

2019-12-04

8980

pytorch基础知识-Batch Norm（上）

Batch Normalization（批量标准化）是深度学习中经常使用的，本节介绍它的定义和用法。

2019-11-23

8760

pytorch基础知识-pooling（池化）层

神经网络 pytorch

pooling（池化）层原则上为采样操作，与upsample（上采样）不同的是，pooling为下采样操作，即将feature map变小的操作。

2019-11-21

9.8K0

Pytorch-卷积神经网络的运算流程（下）

kernel channel input padding size

这里第一个3代表3个通道，input channel数量为之前的1，3 3 代表了所取的kernel的size。

2019-11-20

1.1K0

Pytorch-卷积神经网络的运算流程（中）

如上图中所列参数，x为1（假设batch为1）张图片、3个通道（对应于RGB三个通道）、28*28的大小。而kernel中的3代表对input的x上的三个通道上均进行卷积运算。而multi-kernels中的16泛指包括了blur、edge等16个功能、3代表对每一个通道上的逐渐进行卷积运算。

2019-11-18

7990

点击加载更多

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态