【深度学习实战（9）】三种保存和加载模型的方式
一、state_dict方式（推荐） torch.save(model.state_dict(), PATH) model = YourModel()model.load_state_dict(torch.load(PATH))model.eval() 记住一定要使用model.eval()来固定dropout和归一化层，否则每次推理会生成不同的结果。 二、整个模型（结构+state_dict）方式...
探索MATLAB在计算机视觉与深度学习领域的实战应用
随着人工智能技术的快速发展，计算机视觉与深度学习已成为科技领域中最热门、最具挑战性的研究方向之一。 它们的应用范围从简单的图像处理扩展到了自动驾驶、医疗影像分析、智能监控行业等多个领域。 在这样的背景下，《MATLAB计算机视觉与深度学习实战》一书应运而生，为广大从业人员和学者提供了一个全面、深入的学习和实践平台。 书籍亮点 实战案例驱动： 本书详细讲解了29个实用的MATLAB计算机视觉与深度学习案例...
政安晨：【深度学习神经网络基础】（九）—— 在深度学习神经网络反向传播训练中理解梯度
目录 简述 理解梯度 什么是梯度 计算梯度 简述 在深度学习神经网络中，反向传播是一种用来训练神经网络的常用方法。它通过计算损失函数对于网络参数的梯度，然后使用梯度下降算法更新参数，以降低损失函数的值。 梯度表示了函数在某一点上的变化率和方向，对于神经网络而言，梯度表示了损失函数对于网络参数的变化率和方向。在反向传播过程中，首先通过前向传播计算出网络的输出和损失函数的值，然后利用链式法则逐层计算参数的梯度...
【深度学习实战（12）】训练之模型参数初始化
一、初始化方式 在常见的CNN深度学习模型中，最常出现的是Conv卷积和BatchNorm算子。 （1）对于Conv卷积，权重初始化的方式有‘normal’，‘xavier’,‘kaiming’,‘orthogonal’ 以‘normal’方式为例：对Conv卷积的weight通常是以均值为0，标准差为0.02的正态分布进行参数初始化 （2）对于BatchNorm算子，通常是使用‘normal’方式进行...
政安晨：【深度学习神经网络基础】（十）—— 反向传播网络中计算输出节点增量与计算剩余节点增量
。节点增量是我们将为每个节点计算的值。层增量也描述了该值，因为我们可以一次计算一层的增量。在计算输出节点或内部节点时，确定节点增量的方法可能会有所不同。首先计算输出节点，并考虑神经网络的误差函数。 在深度学习的反向传播网络中，计算输出节点增量（即输出误差）和计算剩余节点增量使用的是反向传播算法。 该算法首先计算输出节点增量。输出节点的增量是通过将网络的实际输出与期望输出之间的误差传播回网络中来计算的。具体...
深度学习基础
深度学习的概念： 深度学习的概念源于人工神经网络的研究，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数 据，例如图像，声音和文本。 机器学习的两种典型任务 机器学习的两种典型任务：分类和回归；分类则是定性，目的是寻找决策边界；回归则是定量，目的是寻找最优拟合。 机器学习的分类 有监督学习 利用大量的标...
【热门话题】PyTorch：深度学习领域的强大工具
🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈｜ 炫酷HTML | JavaScript基础 💫个人格言: "如无必要，勿增实体" 文章目录 PyTorch：深度学习领域的强大工具一、PyTorch概述二、PyTorch核心特性详解三、PyTorch在深度学习应用中的实践四、PyTorch生态与社区五、总结 PyTorch：深度学习领域的强大工具 摘要：PyTorch作为深度学习领域备受青睐的开源...
【深度学习实战（6）】搭建通用的语义分割推理流程
一、代码 #---------------------------------------------------## 检测图片#---------------------------------------------------#def detect_image(self, image, count=False, name_classes=None): #-------------------...
【深度学习实战（7）】搭建自己的交叉熵(cross_entropy)函数
一、cross_entry介绍 交叉熵(cross_entropy)函数是一个非常重要的函数，常用于分类问题。 公式为： 二、相关的函数有： log_softmax,nll_loss, cross_entropy 1.log_softmax log_softmax就是log和softmax合并在一起执行，log_softmax=log+softmax 2. nll_loss nll_loss函数全称是n...
政安晨：【深度学习神经网络基础】（六）—— 前馈神经网络
网络是Broomhead和Lowe（1988）引入的一种前馈神经网络。该神经网络可用于分类和回归。 尽管它们可以解决各种问题，但RBF神经网络的受欢迎程度似乎正在降低。根据其定义，RBF神经网络不能与深度学习结合使用。 我们将简要回顾RBF，并描述这些向量的确切组成。 径向基函数 由于许多AI算法都利用了径向基函数，因此它们是一个非常重要的概念。RBF相对其中心对称，该中心通常在[插图]轴上。RBF将在中...