分类： PyTorch

一、Sigmoid ReLU Tanh 定义

1、Sigmoid。Sigmoid函数也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。

import torch

import matplotlib

import matplotlib.pyplot as plt

import math

plt.figure(figsize=(15,8))

# 指定默认字体

matplotlib.

import torch

import matplotlib.pyplot as plt

import matplotlib as mpl

# randint方法产生2维并且每个维度20个数据

data1 = torch.randint(1, 10,(2,20)).float()

print(data1)

# 进行Z-SCORE归一化处理

data2 = (data1 – data1.mean()) / data1.std()

print(data2)

import torch

import matplotlib.pyplot as plt

import matplotlib as mpl

# randint方法产生2维并且每个维度20个数据

# 数据范围在1-10（不含10）

data1 = torch.randint(1, 10,(2,20)).float()

print(data1)

# 进行Z-SCORE归一化处理

data2 = (data1 – data1.mean()) / data1.

1、torch.Tensor 转 numpy

import torch

#ndarray = tensor.numpy()

#ndarray = tensor.cpu().numpy()

x = torch.randn(10)

arr = x.numpy()

print(x)

print(arr)

#print(arr[0])

for z in arr:

print(z)

tensor([-0.3291, -0.9795, -0.2297, -0

import torch

# 创建一个未初始化的5×3张量

print(‘1、创建一个未初始化的5×3张量’)

x = torch.empty(5, 3)

print(x)

# 创建一个随机初始化的5×3张量

print(‘2、创建一个随机初始化的5×3张量’)

y = torch.rand(5, 3)

print(y)

# 创建一个5×3的0张量，类型为long

print(‘3、创建一个5×3的0张量，类型为long’)

z = torch.

torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。也可以传入一个有序模块。

# Sequential使用实例

model = nn.Sequential(

nn.Conv2d(1,20,5),

nn.ReLU(),

nn.Conv2d(20,64,5),

nn.ReLU()

)

# Sequential with OrderedDict使用实例

model = nn.Sequential(O

在PyTorch中，tensor有一个requires_grad参数，如果设置为True，则反向传播时，该tensor就会自动求导。

tensor的requires_grad的属性默认为False，若一个节点（叶子变量：自己创建的tensor）requires_grad被设置为True，那么所有依赖它的节点requires_grad都为True（即使其他相依赖的tensor的requires_grad = False）。

当requires_grad设置为False时，反向传播时就不会自

MSE：Mean Squared Error（均方误差）

含义：均方误差，是预测值与真实值之差的平方和的平均值，即：

loss= nn.MSELoss(reduction=’mean’)

loss = nn.MSELoss()

import torch

from torch import nn

loss = nn.MSELoss()

y_pre = torch.Tensor([[1, 2, 3],

[2, 1, 3],

[3, 1, 2]])

# r

import torch

import torch.nn as nn

from torch.autograd import Variable

import torch.utils.data as Data

import torchvision

import matplotlib.pyplot as plt

import os

# 批训练加速模型的训练速度

EPOCH = 1

# 定义批次训练的batch数

BATCH_SIZE = 50

# 定义

一、环境搭建

1、下载YOLOv5代码。https://github.com/ultralytics/yolov5

目录结构：

tutorial.ipynb（可以用jupyter notebook打开）。

2、安装依赖包。根据requirements.txt按需安装 或者 默认安装。

pip install -r requirements.txt

3、权重文件yolov5s.pt默认不存在，可以手动下载。访问https://github.com/ultraly

C:\Python39\Lib\site-packages\torch\nn\modules\upsampling.py

把参数recompute_scale_factor=self.recompute_scale_factor注释掉。

安装：pip install labelimg

启动：在cmd命令行中输入 labelimg

“Create RectBox”进行框选，输入标签名称。目前labelimg支持PascalVOC、YOLO、CreateML三种标注格式。

“Open Dir”打开目录。

“Change Save Dir”修改保存目录。

“Auto Save mode”自动保存。

torch.nn.Conv2d(in_channels,

out_channels,

kernel_size,

stride=1,

padding=0,

dilation=1,

groups=1,

bias=True,

padding_mode=’zeros’,

device=None,

dtype=None)

in_channels (int) – 输入图像中的通道数

out_channels (int) – 卷积产生的通道数即输出图片的通道数

view函数主要用于Tensor维度的重构，即返回一个有相同数据但不同维度的Tensor。

import torch

data = [[1,2,3], [4,5,6], [7,8,9]] # data的类型为list，非tensor

data = torch.tensor(data) # 将data由list类型转为tensor类型

print(data) # torch.Size([6])

#print(data.view(data.size(0), -1))

prin

from torch.utils.data import TensorDataset

import torch

from torch.utils.data import DataLoader

a_data = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 2, 3], [4, 5, 6], [7,

1. torch.unsqueeze 详解

# torch.unsqueeze(input, dim, out=None)

# 作用：扩展维度

# 返回一个新的张量，对输入的既定位置插入维度 1

# 注意：返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。

# 参数：

# tensor (Tensor) – 输入张量

# dim (int) – 插入维度的索引

# out (Tensor, optional) – 结果张量

import torc

import numpy as np

import torch

a = torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

print(‘a.shape’, a.shape)

print(‘a’, a)

# 列 最大

# 返回的值包含两个数据（values, indices) 分别代表最大值的值和所在的索引（返回最大元素在各列的行索引）

a0 = torch.max(a.data, 0)

print(‘a0’, a0)

import torch

x = torch.randn(9, 3)

# 输入的维度是（9,3）

m = torch.nn.Linear(3, 1)

# 输入的特征维度是3,输出的特征维度是1

output = m(x)

print(‘m.weight.shape:\n’, m.weight.shape)

print(‘m.bias.shape:\n’, m.bias.shape)

print(‘output.shape:\n’, output.shape)

深度学习框架PyTorch安装

1、访问 https://pytorch.org/get-started/locally/

2、选择版本、操作系统、安装的平台、语言、计算平台。

3、cmd中执行：

使用国外源：用时超过24小时

pip3 install torch torchvision torchaudio –extra-index-url https://download.pytorch.org/whl/cu116

使用国内源：用时10分钟左右

pip i

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面