原创 PyTorch 05: PyTorch推理和驗證

在訓練神經網絡之後,你現在可以使用它來進行預測。這個過程通常稱爲推理過程,這一術語來自統計學。然而,神經網絡在面對訓練數據時往往表現得太過優異,因而無法泛化到未見過的數據。這稱之爲過擬合,會影響推理效果。爲了在訓練中測試過擬合情況

原创 PyTorch 04: 用PyTorch實現Fashion-MNIST

好了,我們來實戰演練。你將使用 Fashion-MNIST 數據集。對於神經網絡來說,MNIST 的規模很小,可以輕鬆地達到 97% 的準確率。Fashion-MNIST 包括很多 28x28 灰色服飾圖像。它比 MNIST 更復

原创 PyTorch 07: PyTorch加載圖像數據

到目前爲止,我們一直使用的都是虛擬數據集。但在實際運用裏,你會處理一些完整尺寸的圖像,例如智能手機攝像頭拍攝的圖像。現在,我們將學習如何加載圖像並使用它們訓練神經網絡。 我們將使用貓狗照片數據集(從 Kaggle 上可以獲得)。下

原创 PyTorch 08: PyTorch實現遷移學習(densenet121,resnet,,alexnet等)

現在,我們來學習如何使用預訓練的網絡解決有挑戰性的計算機視覺問題。你將使用通過 ImageNet 位於 torchvision 上訓練的網絡。 ImageNet 是一個龐大的數據集,包含 100 多萬張有標籤圖像,並涉及 1000

原创 PyTorch 0:相關文章列表

本認爲Keras夠方便了,接觸了pytorch,發現這纔是倚天劍。 優達的pytorch課程,秉承簡潔,高效,實用的優點,把我學習的素材做個摘錄。 這些案例,僅適合入門 PyTorch 01:深度學習工具 PyTorch 簡介 P

原创 PyTorch 06: PyTorch保存和加載模型

下面學習如何使用 PyTorch 保存和加載模型。我們經常需要加載之前訓練過的模型,或繼續用新的數據訓練模型。所以這部分還是挺重要的。 %matplotlib inline %config InlineBackend.figure

原创 PyTorch 01:深度學習工具 PyTorch 簡介

在此 notebook 中,你將瞭解 PyTorch,一款用於構建和訓練神經網絡的框架。PyTorch 在很多方面都和 Numpy 數組很像。畢竟,這些 Numpy 數組也是張量。PyTorch 會將這些張量當做輸入並使我們能夠輕

原创 深度學習04: 殘差網絡ResNet解讀

非常深的網絡是很難訓練的,因爲存在梯度消失和梯度爆炸的問題; 由於網絡太深,反向傳播求導相乘項較多,當激活函數導數小於1,且初始權重不大時,過多的小數項(0~1.0)相乘結果趨於0,導致梯度消失; 當初始權重較大,激活函數接近1,

原创 深度學習03: CNN經典網絡LeNet, AlexNet, VGG-16解讀

計算機視覺研究中的大量研究,都集中在如何把卷積層,池化層,全連接層這些基本構件組合起來,形成有效的卷積神經網絡; 找設計靈感的最好方法之一,就是去看一些案例,就像學習編程一樣,通過研究別人構建有效組件的案例,是個不錯的方法; 實際

原创 深度學習05: 谷歌Inception網絡解讀

構建卷積層時,你要決定卷積核的大小究竟是 1×1,3×3 還 是 5×5,或者要不要添加池化層。而 Inception 網絡的作用就是代替你來決定,雖然網絡架 構因此變得更加複雜,但網絡表現卻非常好. 1.Inception基本思

原创 深度學習01:CNN的若干基礎概念

該系列博文,主要是對吳恩達深度學習和優達學城相關課程的學習筆記; 主要方便自己查閱,複習。 相關參考閱讀:機器學習16:簡單, 直觀的方法理解CNN(卷積神經網絡)核心原理及實現 1.邊緣檢測 常見的都有垂直方向,水平方向邊緣檢測

原创 深度學習02: 1x1卷積可以做什麼

1x1卷積可以做什麼 假如輸入一個6x6二維圖片,過濾器尺寸爲1x1x1, 做1x1的卷積,只是對輸入矩陣乘以某個數字,貌似用處不大; 但這僅僅是對於6x6x1的信道圖片來會說1x1效果不佳; 如果是一張6x6x32的圖片,那麼

原创 機器學習21:快速安裝pytorch

pytorch官網:https://pytorch.org/ 按pytorch官網的安裝,由於大家都懂得原因,速度沒幾個人受得了; 這裏用清華的鏡像,記錄下過程; step1: 打開清華的鏡像站,找到對應目錄 比如我的本機是X86

原创 機器學習20:基於ResNet50和FaceNet實現人臉識別

說明: 這是優達學城的一個機器學習作業項目, 我覺得還比較典型綜合了幾個常見的深度學習技術,值得分享一下;實現包括,數據增廣,遷移學習,網絡模型構建,訓練,評估方法等。 這裏只是做了一個遷移學習的實現,重在實踐過程,其原理沒做分析

原创 機器學習19:Keras保存和加載網絡模型及權重的方法總結

0.先實現手寫體識別的實例: 導入訓練數據 from keras.datasets import mnist from keras.preprocessing.image import ImageDataGenerator fro