最近在研究pytorch如何修改与训练模型的网络结构，然后发现了两种版本，一种是细调版，一种是快速版　　经过一番钻研后发现细调版适合对网络模型进行大幅度的改动（如在原有的结构上穿插着增减层），而快速版适合直接对网络末端的层进行增减。　　虽然快速版简单易懂，但是还是要对细调版有所了解才能比较，万一以后用的上呢。因此，我就好好研究了一番细调版，结果发现网上的代码或者博客基本都是相互搬运的，代码中的..

目录一、引言二、下载数据三、数据形式四、自定义数据加载一、引言  最近在做一些大规模数据集（ImageNet-1k、ImageNet-21k）的实验之外，还做了一些小数据集的 ablation study。其中pytorch有自带的cifar10、cifar100数据加载，而Tiny ImageNet是没有的。于是简单在此记录一下这个数据集的处理。  Tiny ImageNet Challenge

（pytorch1.0）最近在研究pytorch如何修改与训练模型的网络结构，然后发现了两种版本，一种是细调版，一种是快速版　　经过一番钻研后发现细调版适合对网络模型进行大幅度的改动（如在原有的结构上穿插着增减层），而快速版适合直接对网络末端的层进行增减。　　虽然快速版简单易懂，但是还是要对细调版有所了解才能比较，万一以后用的上呢。因此，我就好好研究了一番细调版，结果发现网上的代码或者博客基...

目录一、引言二、下载数据三、数据形式四、自定义数据加载一、引言  最近在做一些大规模数据集（ImageNet-1k、ImageNet-21k）的实验之外，还做了一些小数据集的 ablation study。其中pytorch有自带的cifar10、cifar100数据加载，而Tiny ImageNet是没有的。于是简单在此记录一下这个数据集的处理。  Tiny ImageNet Challenge

VGG((features): Sequential((0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(1): ReLU(inplace)(2): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_...

ResNet((conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)(bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(relu): ReLU(...

ResNet((conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)(bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(relu): ReLU(...

目录一、引言二、下载数据三、数据形式四、自定义数据加载一、引言  最近在做一些大规模数据集（ImageNet-1k、ImageNet-21k）的实验之外，还做了一些小数据集的 ablation study。其中pytorch有自带的cifar10、cifar100数据加载，而Tiny ImageNet是没有的。于是简单在此记录一下这个数据集的处理。  Tiny ImageNet Challenge

目录一、引言二、下载数据三、数据形式四、PNG 转 JPG五、类别调整六、TXT 转 XML七、生成检索txt文件一、引言  对于KITTI数据集，有着很丰富的应用，不仅仅局限于目标检测，这就导致了数据集的标签是txt文件，里面包含了各种任务所需要的标签，因此为了实现目标检测的任务，我们就需要将属于目标检测的坐标从中提取出来再生成对应的xml文件。二、下载数据  打开官网我们可以看到以下界面，那么

ResNet((conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)(bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(relu): ReLU(...