- 博客(27)
- 收藏
- 关注
RSS订阅原创 扩散模型的发展过程梳理 多个扩散模型理论知识总结/DDPM去噪扩散概率/IDDPM/DDIM隐式去噪/ADM/SMLD分数扩散/CGD条件扩散/Stable Diffusion稳定扩散/LM
扩散模型的发展过程梳理 多个扩散模型理论知识总结/DDPM去噪扩散概率/IDDPM/DDIM隐式去噪/ADM/SMLD分数扩散/CGD条件扩散/Stable Diffusion稳定扩散/LM
2024-04-18 12:56:50
289
原创 多种损失函数
第scale1layer0的输出:torch.Size([1, 64, 129, 129])第scale1layer1的输出:torch.Size([1, 128, 65, 65])第scale1layer2的输出:torch.Size([1, 256, 33, 33])第scale1layer4的输出:torch.Size([1, 1, 35, 35])第scale2layer4的输出:torch.Size([1, 1, 19, 19])
2024-03-27 16:42:23
728
原创 CycleRNG风格转换代码解读——生成器ResnetGenerator
例如，使用3*3的卷积核从图像左上角（即坐标为（0,0）像素）开始进行卷积，如果把最左上角坐标(0, 0)的像素作为中心像素，由于(0,0)左侧、上方和左上方没有像素了，此时就无法运算，图像就会缩小。和常见的先降采样到低纬度，再上采样到原始分辨率的编解码结构的网络相比，U-Net的区别是加入了跳跃层结构skip-connection，将编解码前后同样大小的特征图拼接在一起，这种方法可以一定程度上保留不同分辨率下像素级别的细节信息。相对于原始的编解码结构的网络，U-Net刻画细节的效果十分显著，如下图所示。
2024-01-27 11:36:04
874
原创 深度学习：使用timm库的resnet101模型对glaucoma图像集进行图像分类预测
【代码】深度学习：使用timm库的resnet101模型对glaucoma图像集进行图像分类预测。
2023-11-24 11:36:24
158
1
原创 深度学习：使用timm库的resnet101模型对 pokem图像集进行图像分类预测
【代码】深度学习：使用timm库的resnet101模型对 pokem图像集进行图像分类预测。
2023-11-24 10:01:07
53
1
原创 青光眼实战（ResNet,GoodLeNet,DenseNet）总结分析
总之，要改善模型的性能，您可以考虑增加数据集的大小、提高数据的质量、调整模型的复杂度、使用适当的训练和优化方法、进行特征工程、集成多个模型以及调整超参数等。希望这些建议对您有所帮助！图一：loss&epoch。图二：Validation&epoch。ResNet模型做青光眼测试的效果最好，GoodLeNet 和DesneNet模型效果差不多，模型更复杂但是效果确不佳。模型的性能可能会受到多种因素的影响。
2023-11-11 22:34:42
84
1
原创 深度学习实战案例二：青光眼数据集多分类预测(Resnet)
链接：https://pan.baidu.com/s/1rVWr6Y2eQ6g8zahOLjDjAQ?pwd=8888提取码：8888青光眼数据集共有364张图：Glaucoma:32,Normal:225,Suspect Glaucoma:107，收集到的青光眼数据集图片较少，后续需要继续补充。代码如下，卷积模型仍然用：ResNet18。准确率达到70%，说明残差网络模型性能针对多分类图像数据集的预测性能比较优的。
2023-10-31 16:00:59
171
1
原创 深度学习实战案例一：第四课：开始训练，验证，测试
python可以相互在同一个文件夹下面的其他的py文件，因此我们调用设计好的data_loader.py的。Pokemon类，和resnet.py的ResNet18类，
2023-10-30 11:18:44
36
1
原创 深度学习实战案例一：第三课：构建Resnet:残差网络模型
简单的卷积层无法实现更加准确的图像识别，因此我们引入Resnet:残差网络模型，在相比较其他模型后得出，Resnet:残差网络模型有更好的效果。其实这两段代码改变的图像通道数，高，宽是一样的方便用后续代码进行累加。上面代码的卷积层：改变通道数，改变高宽。上面代码的卷积层：改变通道数，改变高宽。图像的size改变流程如下。,对应真实标签的5个分类。,经过 卷积操作，变为。
2023-10-30 10:42:14
66
1
原创 深度学习实战案例一：第二课：构建简单模型
利用Resnet 网络模型，每个周期内loss损失会从1.7左右降低到1.2左右，但是还是高于1.0，并且上一个周期的参数用于下一个周期，损失值又会重新变高，模型的泛化能力比较差。使用卷积神经网络+交叉熵损失函数+SGD优化器得到的效果很一般，所有图像跑一遍，每一个batch得到的交叉熵损失值大致在1.5左右，梯度跟新后，损失值也没太大变化，torch.nn.CrossEntropyLoss(input, target)的input是没有归一化的每个类的得分，而不是softmax之后的分布。
2023-10-28 21:30:15
34
1
原创 深度学习实战案例一：第一课：加载数据集
D:\Anaconda\envs\study\python.exe "D:\python pycharm learning\清华大佬课程\fisrt\pokemon1.py"
2023-10-26 00:09:36
83
原创 刘二大人《PyTorch深度学习实践》完结合集——第13课：循环神经网络（高级篇）——（源代码修改 在GPU下跑）
1：当使用GPU时，确保所有的tensor都在GPU上。但是，‘pack_padded_sequence’的‘lengths’参数应该始终保持在CPU上。为解决这个问题，可以在传递'seq_lengthpack’给‘pack_padded_sequence’之前，确保在CPU上。训练周期达到16次附件就已经到达准确率的峰值。
2023-10-21 23:14:28
141
1
原创 刘二大人《PyTorch深度学习实践》完结合集——第13课：循环神经网络（高级篇）——（源代码仅在CPU下跑）
【代码】刘二大人《PyTorch深度学习实践》完结合集——第13课：循环神经网络（高级篇）——（源代码仅在CPU下跑）
2023-10-21 22:36:24
41
1
原创 刘二大人《PyTorch深度学习实践》完结合集——第12课：循环神经网络（基础篇）——课后作业
D:\Anaconda\envs\study\python.exe "D:\python pycharm learning\刘二大人课程\P\p12.2.py"
2023-10-20 18:14:09
184
1
原创 刘二大人《PyTorch深度学习实践》完结合集——第12课：循环神经网络（基础篇）-embedding 函数解读
padding_idx=None,– 填充id，比如，输入长度为100，但是每次的句子长度并不一样，后面就需要用统一的数字填充，而这里就是指定这个数字，这样，网络在遇到填充id时，就不会计算其与其它符号的相关性。这里可以理解1*4维的input张量做了转置变成4*1的张量，0对应的是[-0.8736, 0.7243, 1.1653]，对句子进行规整，即对长度不满足条件的句子进行填充pad（填充的值也可以自己选定），另外句子结尾的EOS也算作一个词。的shape，注意是会多添加一个。
2023-10-19 16:54:32
52
原创 刘二大人《PyTorch深度学习实践》完结合集——第12课：循环神经网络（基础篇）
D:\Anaconda\envs\study\python.exe "D:\python pycharm learning\刘二大人课程\P\P12.py"epoch =10 就得出之前结果ohlol。
2023-10-16 16:50:36
54
1
原创 刘二大人《PyTorch深度学习实践》完结合集——第11课：卷积神经网络（高级篇）
【代码】刘二大人《PyTorch深度学习实践》完结合集——第10课：卷积神经网络（高级篇）
2023-10-14 23:29:36
50
原创 刘二大人《PyTorch深度学习实践》完结合集——第10课：卷积神经网络（基础篇）
【代码】刘二大人《PyTorch深度学习实践》完结合集——第10课：卷积神经网络（基础篇）
2023-10-14 15:19:28
60
1
原创 刘二大人《PyTorch深度学习实践》完结合集——第9课：多分类问题
D:\Anaconda\envs\study\python.exe "D:\python pycharm learning\刘二大人课程\P\P9.py"
2023-10-13 18:47:57
80
原创 刘二大人《PyTorch深度学习实践》完结合集——第7课：处理多维特征的输入
【代码】刘二大人《PyTorch深度学习实践》完结合集——第7课：处理多维特征的输入。
2023-10-11 12:39:54
41
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人