qq_15060477的博客

在PyTorch中，创建张量的8种方法

第一章 pytorch介绍第二章 pytorch中张量的数据类型介绍第三章 pytorch张量的基本操作3.1 创建张量3.2 张量操作3.3 张量索引3.4. 自动求导第四章 PyTorch中卷积、池化、激活函数、全连接层介绍4.1 卷积层4.2 池化层4.3 激活函数4.4 全连接层第五章 pytorch中CNN网络搭建和训练示例PyTorch是一个基于Python的科学计算库，主要用于深度学习和人工神经网络。它是一个开源项目，由Facebook人工智能研究团队开发，并且非常受欢迎。

1、数据输入预处理、模型输出nms等2、onnxgpu版本的前向推理测试

创建标准的voc格式、并适配新fasterrcnn和ssd数据格式

voc数据集yolo格式训练集验证集

1、voc转yolo数据集2、训练集验证集划分3、修改xml文件

class CountARP(object): ''' TP：正类预测成正类 FP：负类预测成正类 TN：负类预测成负类 FN：正类预测成负类 ''' def __init__(self): self.TP, self.FP = 0,0 self.TN, self.FN = 0,0 def get_TF(self,pred,label): for i in range(len(pred).

import torchfrom torch import nnfrom torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequentialimport torch.nn.functional as Ffrom torch.nn import initclass hswish(nn.Module): def forward(self,x): out=x*F.relu6(x+3,inplace=True)/6

import torchfrom torch import nn'''mobilenev2'''class Head(nn.Module): def __init__(self, inp_c, out_c): super(Head, self).__init__() self.conv2d = nn.Conv2d(inp_c, out_c, 3, 2, padding=1, bias=False) self.bn = nn.BatchNorm

import torchimport torch.nn as nn# 深度可分离卷积class Depth_Separable_Conv(nn.Module): def __init__(self, in_channels, out_channels, stride=1): super().__init__() self.in_channels = in_channels self.out_channels = out_channels

import osimport sysimport torchimport torch.nn as nnfrom torchvision.datasets import MNISTimport torchvision.transforms as transformsfrom torch.utils.data import DataLoaderimport matplotlib.pyplot as pltimport torch.optim as optim'''作者：小宇时间：202

import timeimport torchfrom torch import nnimport torch.nn.utils.prune as prunefrom torchsummary import summaryimport torch.nn.functional as Fdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")class LeNet(nn.Module): def __ini

#https://pypi.tuna.tsinghua.edu.cn/simpleimport torchimport onnxfrom onnx_tf.backend import preparefrom onnx2keras import onnx_to_kerasimport kerasimport tensorflow as tf'''---------------------------------------------------------------------------

方法一、先声明再部署import torch'''1)以下两种写法都可以，最常用的是第二个（gpu不可用就默认使用cpu），作用都是声明device2)其中“cuda”部分也可以写为"cuda:0/1/2..."，0，1，2等表示显卡编号'''device = torch.device("cuda")device = torch.device("cuda" if torch.cuda.is_availabel() else "cpu")'''下面就是将模型、数据（输入、标签）、损失部署在

import torchvisionfrom PIL import Image'''1)加载数据并做相应的处理'''#此处读取图片，你也可以读取语音等其他数据，image_path表示路径和文件名image = Image.open(image_path)#将数据类型和维度转换为网络需要输入的tensor数据类型和维度#本例中将图像resize成64*64大小的数据并转化为tensorflow格式transform = torchvision.transforms.Compose([tor

from torchvision import transformstensor = transforms.Tensor() #初始化对象#img_or_np为“PIL Image”或者"numpy.",即你要转化的对象data = tensor(img_or_np) trans_resize = transforms.Resize(512,512)data = trans_resize(data)#下面将数据data归一化，计算方法为：image=(image-mean)/std'''其中