基于经典网络架构训练图像分类模型 改模型分为三块 数据预处理部分： 数据增强：torchvision中transforms模块自带功能，比较实用 数据预处理：torchvision中transforms也帮我们实现好了，直接调用即可 DataLoader模块直接读取batch数据 网络模块设置： 加载预训练模型，torchvision中有很多经典网络架构，调用起来十分方便，并且可以用人家训练好的权重参数来继续训练，也就是所谓的迁移学习 需要注意的是别人训练好的任务跟咱们的可不是完全一样，需要把最后的head层改一改，一般也就是最后的全连接层，改成咱们自己的任务 训练时可以全部重头训练，也可以只训练最后咱们任务的层，因为前几层都是做特征提取的，本质任务目标是一致的 网络模型保存与测试 模型保存的时候可以带有选择性，例如在验证集中如果当前效果好则保存 读取模型进行实际测试 先看一下我们数据的保存格式： train文件夹中的： valid文件夹中的： 数据预处理部分 导入模块 123456789101112131415161718192021# 处理 ...

手写体识别 这个手写体识别我是用的是Pytorch库，有两种实现方法，第一种是：简单的神经网络，第二种是：卷积神经网络 简单神经网络的实现 加载库 12345678910# 加载必要的库import torch# nn模块，有一些模型import torch.nn as nn# nn中的functional模块，里面包含损失函数等import torch.nn.functional as F# 优化器import torch.optim as optim# 数据处理from torchvision import datasets, transforms 定义超参数 123456# 定义超参数# 参数：模型f(x, θ)中的θ称作模型的参数，可以通过优化算法进行学习# 超参数：用来定义模型结构或优化策略BATCH_SIZE = 16 # 每批处理的数据DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 用来决定是用cpu计算还是GPU计算EPOCHS ...

CNN卷积神经网络 卷积神经网络与传统网络的区别： 一个是三维的，一个是二维的 整体架构 卷积的计算方法： 先把图像分为一个个不同的小区域，然后在通过权重矩阵，算出每一个小区域的值 计算方法： 特征矩阵 * 权重矩阵 卷积一般需要做三次以上： 堆叠的卷积层： 卷积的参数 步长 卷积核尺寸 卷积核尺寸越小，我们所得到的特征越明显，卷积核尺寸越大，我们得到特征越模糊，一般最小卷积核的尺寸就是3 * 3的 边缘填充 我们在计算卷积的时候，越到边缘的地方，它的影响越小，如果想要改变这个现状，我们需要进行边缘填充 从这个步长为2的卷积中，我们可以看出，边缘的数据，只进行了一次乘法，而中间的数据进行了两次乘法，这时候边缘和中间的数据，对最后的影响就会不同，我们可以通过边缘填充来消除这个影响 由图中可以看出灰色的为边缘填充的部分，紫色的为我们的目标地址， 卷积计算公式 卷积参数共享，一般一个卷积核使用同一套参数即可，不用每一个区域我们都要改变参数 池化层 当我们采集的特征过多的时候，这时候我们可以使用池化层来进行特征压缩： 框选每一个区域，得到其中特征最明显 ...

气温预测 通过前天，昨天，和历史上这一天的最高温度，和今天实际的最高温低来进行回归模型的建立 先导包 12345678import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport torchimport torch.optim as optimimport warningswarnings.filterwarnings("ignore")%matplotlib inline 读取一下数据 1234features = pd.read_csv("data/temps.csv")# 展示一下数据features.head() year month day week temp_2 temp_1 average actual friend 0 2016 1 ...

PyTorch 使用神经网络最重要的一件事情就是：他可以帮我们把反向传播全部计算好 Tenser 常见的格式： scalar 通常就是一个数值 1x = tensor(42, ) vector 例如：[-5. , 2. , 0. ],在深度学习中通常指特征，例如词向量特征，某一维度特征等 1v = tensor([1.5, -0.5, 3.0]) matrix 一般计算的都是矩阵，通常是多维的 1M = tensor([1., 2. ],[3., 4.]) n-dimensional tensor 基本使用方法 创建一个矩阵 1x = torch.empty(5,3) 12345tensor([[-2.1607e-32, 3.9797e-43, -2.1607e-32], [ 3.9797e-43, -2.1607e-32, 3.9797e-43], [-2.1607e-32, 3.9797e-43, -2.1606e-32], [ 3.9797e-43, -2.1606e-32, 3.9797e-4 ...

深度学习 基本流程： 数据的获取 特征工程 最核心 建立模型 评估与应用 特征工程的作用： 数据特征决定了模型的上限 预处理和特征提取是最核心的 算法和参数的选择，只是为了逼近这个上限 特征如何提取： 传统特征提取方法： 深度学习的目的 ：能够自动的提取特征 图像分类 给定一张图片，计算机能够自动的识别该图像中的某一部分属于那个类别 图像的表示 ：计算机眼中的图像是一串串数字 计算机视觉-图像分类面临的挑战： 照射角度 形状改变 部分遮蔽 背景混入 机器学习常规套路： 收集数据并给定标签 训练一个分类器 测试，评估 k临近算法： 计算已知类别数据集中的点与当前点的距离 按照距离依次排序 选取与当前点距离最小的K个点 确定前K个点所在类别的出现概率 返回前K个点出现频率最高的类别作为当前点预测分类 缺点： 被分类的对象会受背景主导，不能够聚焦到我们所关注的主体上 神经网络基础 f（） 表示一个函数， W表示每个类别的权重， x 表示目标图像的所有像素点， b表示对每个类别进行微调 运算结果： 从图中可以看出，猫被分为了狗类，导致这种情况 ...

第一章（基本符号） print print函数能够直接输入到文件中： 123f = open("笔记.txt", "w")print("Hello World", file = f) 制表符 \n 换行 \t 一个tab键，占四个字节， 如果这四个字节中前面的占用了，则补充为四个字节， 如果没占用则新开辟四个字节的位置 \r 回车，会把在回车之前的字符全部删掉 \b 退格，删除前一个字符 元字符 让制表符不起作用----引号中有什么就输出什么 1print(r"hello\nworld") === hello\nworld 输出字符串的时候最后一个字符不能是 ‘\’， 可以是‘\’ 第二章 二进制和字符编码 二进制 -->ASCII -->GB2312–>GBK–>GB18030–>Unicode 二进制 -->ASCII -->其他国家的字符编码–>Unicode几乎包含了全世界所有的字符–>UTF-8 标识符和保留字 保留字不能再命名的 ...

文档扫描OCR识别 文档扫描 引入库 1234import imutilsimport numpy as npimport argparseimport cv2 设置参数 12345# 设置参数# 这里设置的参数是控制台参数ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True, help="Path to the image to be scanned")args = vars(ap.parse_args()) 定义函数 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788# 图像显示函数def cv_show(name, img): ...

银行卡数字识别 该程序主要是依靠模板匹配来进行数字识别的 模板图像 待匹配的银行卡 这里银行卡中的数字和我们模板中的数字是同一个类型 模板操作 首先导入我们所需要的包： 1234from imutils import contoursimport numpy as npimport argparseimport cv2 配置我们所需要的参数： 12345ap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True, help="path to input image")ap.add_argument("-t", "--template", required=True, help="path to template OCR-A image")# 这里是让参数转换成字典args = vars(ap.parse_args()) 设置绘图函数 12345# 绘图展示def ...