📅  最后修改于: 2020-11-11 00:55:16        🧑  作者: Mango

在PyTorch中测试深层神经网络我们将使用精确的决策边界来绘制数据集，这将区分我们的分类结果。在此，我们还将测试模型。有以下步骤来训练我们的模型：步骤1：第一步，我们定义一个函数plot_decision_boundary()，其中包含两个参数，即训练数据x和输出标签y。该函数将返回决策边界的轮廓图。第2步：在此步骤中，我们定义一个可以正确跨越数据的网格。该过程首先定义数据集中x和y坐标的范围。...

📅  最后修改于: 2020-11-11 00:56:12        🧑  作者: Mango

图像识别图像识别是从给定图像中提取有意义的信息(例如图像内容)的过程。在图像识别中，必须对给定图像中的主要内容进行分类，因此不涉及确定所识别内容的位置和姿势。术语“图像识别”是针对借助算法和机器学习概念来识别某些动物，物体，人或其他目标对象的计算机技术而引入的。图像识别与计算机视觉有关，计算机视觉是一个综合的标签，可以像人一样看待训练计算机和图像处理的过程。它是对数据进行大量处理的计算机的统称。有...

📅  最后修改于: 2020-11-11 00:57:15        🧑  作者: Mango

PyTorch中的MNIST图像识别数据集在本主题中，我们将讨论一种将在图像识别中使用的新型数据集。该数据集称为MNIST数据集。 MNIST数据集可以在网上找到，它实质上只是各种手写数字的数据库。 MNIST数据集包含大量数据，通常用于证明深度神经网络的真正功能。假设我们有下图：当我们查看图像时，我们的大脑和眼睛一起工作以将其识别为第八位。我们的大脑是一个非常强大的工具，并且能够非常快速地将该图...

📅  最后修改于: 2020-11-11 00:58:17        🧑  作者: Mango

图像识别中的图像转换加载和转换是在PyTorch中进行图像识别必不可少的两个主要概念。图像的加载和转换是识别过程的开始。有以下步骤是逐步进行加载和转换的过程：步骤1：第一步，我们安装所有必需库，例如pip，torchvision，numpy等。如果已经满足所有必需库的要求，则导入Torch，然后导入数据集并从Torchvision进行转换。为了绘制数据集，我们将导入matplotlib.pyplo...

📅  最后修改于: 2020-11-11 00:59:23        🧑  作者: Mango

神经网络在图像识别中的实现我们的下一个任务是在先前标记的图像的帮助下训练神经网络，以对新的测试图像进行分类。因此，我们将使用nn模块来构建神经网络。有以下步骤来实现神经网络进行图像识别：步骤1：在第一步中，我们将定义用于创建神经模型实例的类。此类将从nn模块继承，因此我们首先必须导入nn包。我们的类后面将有一个init()方法。在init()中，第一个参数将始终为self，第二个参数将为我们将调用...

📅  最后修改于: 2020-11-11 01:00:25        🧑  作者: Mango

图像识别的神经网络验证在训练部分，我们在MNIST数据集(无尽数据集)上训练了我们的模型，它似乎达到了合理的损失和准确性。如果模型可以利用它所学到的知识并将其自身概括为新数据，那么它将是其性能的真实证明。这将通过以下步骤完成：步骤1：我们将在训练部分创建的训练数据集的帮助下创建验证集。在这个时候，我们将训练等于false设置为：第2步：现在，就像我们在训练部分中声明训练加载器一样，我们将在验证部分...

📅  最后修改于: 2020-11-11 01:01:33        🧑  作者: Mango

在PyTorch中测试图像识别模型在最后一部分中，我们实现了神经网络或创建了对手写数字进行分类的模型。现在，我们通过从网络上获取图像来测试模型。我们使用以下图像：https://images.homedepot-static.com/productImages/007164ea-d47e-4f66-8d8c-fd9f621984a2/svn/architectural-mailboxes-hous...

📅  最后修改于: 2020-11-11 01:02:32        🧑  作者: Mango

PyTorch中的卷积神经网络卷积神经网络是在神经网络中进行图像分类和图像识别的主要类别之一。场景标记，物体检测和面部识别等是卷积神经网络广泛使用的一些领域。CNN将图像作为输入，将其分类并按特定类别(例如狗，猫，狮子，老虎等)进行处理。计算机将图像视为像素阵列，并且取决于图像的分辨率。基于图像分辨率，它将显示为h * w * d，其中h =高度w =宽度，d =尺寸。例如，RGB图像是矩阵的6 ...

📅  最后修改于: 2020-11-11 01:03:33        🧑  作者: Mango

PyTorch中卷积神经网络的实现我们使用了深度神经网络对无尽的数据集进行分类，我们发现它无法最好地对数据进行分类。当使用深度神经网络时，模型的准确性不足，模型可以改进。借助卷积神经网络将实现这一改进。让我们开始实现用于图像识别的卷积神经网络。有以下步骤来实现CNN进行图像识别：步骤1：在第一步中，我们将定义用于创建神经模型实例的类。 CNN模型包括LeNet模型，AlexNet模型，ZFNet模...

📅  最后修改于: 2020-11-11 01:05:02        🧑  作者: Mango

卷积神经网络模型的训练在最后一个主题中，我们实现了CNN模型。现在，我们的下一个任务是训练它。为了训练我们的CNN模型，我们将涉及CUDA张量类型，该类型将实现与CPU张量相同的函数，但它们可用于计算。有以下步骤来训练我们的CNN模型：步骤1：在培训部分的第一步，我们将借助torch.device()指定设备。我们将检查CUDA；如果CUDA可用，那么我们使用Cuda，否则我们将使用CPU。第2步...

📅  最后修改于: 2020-11-11 01:06:11        🧑  作者: Mango

卷积神经网络模型的验证在训练部分，我们在MNIST数据集(无尽数据集)上训练了CNN模型，它似乎达到了合理的损失和准确性。如果模型可以利用它所学到的知识并将其自身概括为新数据，那么它将是其性能的真实证明。这将以与上一个主题相同的方式进行。步骤1：我们将在训练部分创建的训练数据集的帮助下创建验证集。在这个时候，我们将训练等于false设置为：第2步：现在，类似于我们在训练部分中声明训练加载程序的原因...

📅  最后修改于: 2020-11-11 01:07:18        🧑  作者: Mango

卷积神经网络模型的测试在最后一部分中，我们实现了神经网络或创建了对手写数字进行分类的模型。现在，我们通过从网络上获取图像来测试模型。我们使用以下图像：http://calstormbasketball.com/wp-content/uploads/2018/08/5020657994731_01c.jpeg当您将此链接粘贴到浏览器中时，您将看到数字5的图像：看到这一点之后，我们将意识到它是数字5。...

📅  最后修改于: 2020-11-11 01:08:20        🧑  作者: Mango

PyTorch中的CIFAR-10和CIFAR-100数据集在上一个主题中，我们学习如何使用无尽的数据集来识别数字图像。无限数据集由于其简单性而成为深度学习的入门数据集。无休止的数据集是深度学习的世界。CIFAR 10(加拿大高级研究所)将更难以分类，并且将带来我们需要克服的新障碍。它是图像的集合，通常用于训练机器学习和计算机视觉算法。 CIFAR 10数据集包含50000个训练图像和10000个...

📅  最后修改于: 2020-11-11 01:09:28        🧑  作者: Mango

针对CIFAR-10数据集的LeNet模型的测试在上一个主题中，我们发现带卷积神经网络的LeNet模型能够对MNIST数据集图像进行分类。 MNIST数据集包含作为灰度图像的图像数量，但是在CHIFAR-10数据集中，图像是彩色的并且具有不同的含义。因此，我们最大的问题是，我们的LeNet模型将对CIFAR-10数据集的图像进行分类。我们将复制上一个主题的代码，即CNN的测试，并对图像的图像转换，...

📅  最后修改于: 2020-11-11 01:10:26        🧑  作者: Mango

Pytorch超参数调整技术在最后一个主题中，我们训练了Lenet模型和CIFAR数据集。我们发现，我们的LeNet模型可以对大多数图像做出正确的预测，并且发现准确性过高。尽管我们的模型不是训练有素的，但它仍然能够预测大多数验证图像。由于增加了深度多样性和训练图像固有的复杂性，CIFAR数据集将更加难以分类。我们与MNIST数据集表现非常出色的LeNet模型现在在准确分类CIFAR数据集方面存在问...