原创 PyTorch中神經網絡工作流程
個人筆記，不喜勿噴。 一、流程簡述 1、將網絡狀態設置爲訓練模式 2、將訓練數據中的輸入和標籤變量化 3、利用網絡向前計算，包含計算輸出、計算損失值 4、反向傳播調整參數，包含梯度清零、誤差反向傳播、梯度下降更新 5、將網絡狀態設置爲測試
2020-06-26 20:15:05
原创 神經網絡中隱藏層的層數和隱藏層節點數的確定
1.隱藏層的層數 一般來說，層數越多，整個網絡的誤差也就越小，但是會是整個網絡複雜化，增加網絡的訓練時間，也有可能出現“過擬合”（太適應於訓練集，在測試集上效果不好）的情況。一般來說，一兩層的隱藏層已經能夠解決很多問題了，如果數據量多，可
2020-06-26 20:15:05
原创 PyTorch中CNN池化層輸入輸出維度
輸入數據維度W1*H1*D1 設置參數，filter大小F，滑動步長S和dilation(D)，padding(P，一般不設置pading) 那麼輸出是W2*H2*D2 其中W2=(W1+2P-D(F-1)-1)/S + 1 H2=(H1
2020-06-26 20:15:05
原创 pytorch函數中的dilation參數的作用
舉例子說明： 1.dilation=0的話，效果如圖： 2.dilation=1，那麼效果如圖： 輸入是藍色，綠色是輸出，可以看到dilation=1時輸入間隔着一個格子。
2020-06-26 20:15:05
原创 對抗生成網絡原理
對抗生成網絡模型如下圖： 1.分爲生成網絡G和對抗網絡D，對抗網絡G是用於生成數據，對抗網絡是用語判斷真假數據，即判斷數據是真實的還是生成的； 2.z是隨機生成的隱藏向量，通過生成網絡G後得到生成數據G(z)； 3.x是原始的數據； 4
2020-06-26 20:15:05
原创 PyTorch中部分方法介紹
1.torchvision.transforms.Normalize(mean, std) mean參數：給定序列的均值，形式爲（R,G,B）(並不一定是三維) std參數：給定序列的平均標準偏差（標準差），形式爲（R,G,B）(並不一定
2020-06-26 20:14:55
原创 PyTorch中RGB圖片(x,x,3)變爲(3,x,x)
RGB格式的圖片，在轉爲數據的時候，維度是(x,x,3)，但是使用了torchvision.transforms.transforms中的ToTensor方法（將圖片轉爲張量Tensor）之後，維度會自動轉爲(3,x,x)。 以下是一個例
2020-06-26 20:14:55
原创 梯度下降算法及其改進
1.梯度和梯度值 一個函數f(x,y,z)，求其在x,y,z上的偏導，比如要求其在M(a,b,c)上的梯度，則將a,b,c帶入（）中，可以得到一個新的向量（A,B,C），那麼這個新的向量就是梯度。梯度值就是這個向量的模，即。 2.梯度下降
2020-06-26 20:14:55
原创 頻域圖像縱座標理解
下圖引用自：https://www.cnblogs.com/h2zZhou/p/8405717.html 頻率方向中，頻域圖像大小是歸一化的振幅。
2020-06-26 20:14:54
原创 PIL.Image讀取圖片維度
PIL.Image讀取RGB時候，讀取出來維度是（x,x,3），讀取L也是（x,x,3）。 RGB是三通道的格式，而L是單通道，爲啥後面是3呢？雖然是3，但是每個通道中的值是一樣的。 在處理圖片的時候，如果將L轉爲數組形式，那麼最後處理的
2020-06-26 20:14:54
1
原创 圖像分割算法概述
傳統方法 1.灰度閾值分割方法，根據每個像素中的像素值，判斷其於閾值的大小關係 難點在於找到一個合適的閾值 2.區域跟蹤分割方法，先找一個像素作爲種子點，然後按照和種子點的相似性，將其他像素歸類到種子點這一
2020-06-26 20:14:54