原创 空間變換器網絡的簡介+實現

空間變換器網絡 是對任何空間變換的差異化關注的概括。空間變換器網絡(簡稱STN)允許神經網 絡學習如何在輸入圖像上執行空間變換, 以增強模型的幾何不變性。 例如,它可以裁剪感興趣的區域,縮放並校正圖像的方向。而這可能是一種有用的機制,因爲

原创 pytorch 訓練/測試模型時錯誤:RuntimeError: CUDA error: out of memory

方法1:batch-size設置多小 方法2: with torch.no_grad():        net = Net()        out = net(imgs) 積累的梯度應該是會一直放在顯存裏的...用了這一行就會停

原创 Pandas數據處理基本命令

  讀取寫入 csv , excel 文件 df = pd.read_csv('abd.csv') df.to_csv('abd.csv') df = pad.read_excel('abc') df.to_excel('abc')

原创 遷移學習應用

  轉移學習:微調和特徵提取 在*微調*中,我們從預訓練模型開始,更新我們新任務的所有模型參數,實質上是重新訓練整個模 型。 在*特徵提取*中,我們從預訓練模型開始,僅更新從中導出預測的最終圖層權重。它被稱爲特徵提 取,因爲我們使用預訓練

原创 Pytorch訓練神經網絡過程解析

  pytorch單步實現2層的神經網絡:   import os import torch import pandas as pd from skimage import io, transform import numpy as

原创 pytorch 保存和加載 Checkpoint 模型,實現斷點訓練

保存和加載 Checkpoint 用於推理/繼續訓練 保存 # 模型類必須在此之前被定義 model = torch.load(PATH) model.eval() • torch.save({ 'epoch': epoch, 'mo

原创 pytorch中模型和參數的存儲

  在PyTorch中, torch.nn.Module 模型的可學習參數(即權重和偏差)包含在模型的參數中, (使用 c可以進行訪問)。 state_dict 是Python字典對象,它將每一層映射到其參數張量。注意,只有具有可學習參數

原创 格雷編碼python實現

LeetCode 鏈接:https://leetcode-cn.com/problems/gray-code 題目: 格雷編碼是一個二進制數字系統,在該系統中,兩個連續的數值僅有一個位數的差異。 給定一個代表編碼總位數的非負整數 n,打印

原创 Pytorch加載自己的文件夾中數據

  使用Pytorch中的,Dataset , DataLoader類去加載數據集: import torch from torchvision import transforms, datasets import os,sys fr

原创 面部標註展示

                                   from __future__ import print_function, division import os import torch import pa

原创 Pytorch實現cifar-10圖像分類

導入必要的包 import torch import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt imp

原创 python中matplotlib畫圖時顏色及線條控制

(原)python中matplotlib的顏色及線條控制 http://www.cnblogs.com/darkknightzh/p/6117528.html 參考網址: http://stackoverflow.com

原创 判斷一個數是否是 2、3、4的冪次方

2的幾次冪 判斷一個數是否是 2的冪次方: 思路:在二進制中 2^n形式如下 2^1=2:10                          1:01 2^2=4:100                        3:011 2^

原创 統計二進制中1的個數

二進制中1的個數   請實現一個函數,輸入一個整數,輸出該數二進制表示中 1 的個數。例如,把 9 表示成二進制是 1001,有 2 位是 1。因此,如果輸入 9,則該函數輸出 2。 示例 1: 輸入:000000000000000000

原创 對抗攻擊、防禦論文介紹

攻擊: 快速梯度符號法(FGSM),通過在損失梯度的梯度方向上添加增量來生成一個對抗示例: Goodfellow, Ian J., Jonathon Shlens, and Christian Szegedy. Explaining an