为什么用CNN我们都知道CNN常常被用在影像处理上，如果你今天用CNN来做影像处理，当然也可以用一般的neural network来做影像处理，不一定要用CNN。比如说你想要做影像的分类，那么你就是training一个neural network,input一张图片，那么你就把这张图片表示成里面的pixel，也就是很长很长的vector。output就是(假如你有1000个类别，output就是1

一、分类模型指标1 准确率和错误率（该指标评价的前提样本分布平衡）准确率和错误率既可用于二分类也可用于多分类： 下述公式是准确率、错误率针对二分类情况时候的计算公式1.1准确率（该指标评价的前提样本分布平衡）针对 所有类别 ，计算acc，其计算公式如下：理解： 在样本（测试集）中所有预测正确的类别个数 与 所有样本的比值，它是针对所有的类别计算的。精确率和准确率是比较容易混淆的两个评估指标，两者是

在学习pytorch的过程中，看到一些代码的解释中会说这个网络的期望输入大小为32x32（也可能是其他数字），请将输入图片调整为32x32。开始的时候有一些不解，仔细看代码后明白，为代码条理清晰，一些神经网络结构事先被定义好，当卷积神经网络中包含有全连接层时，由于全连接层被设置为是固定尺寸的输入输出，全连接层的输入与输入图像尺寸息息相关，故定义好网络结构后，输入图像尺寸亦随之确定。 所以在用pyt

先跑一遍代码再说。理解一下基本的套路。 1.数据预处理（transforms.Compose函数包含图像数据预处理的方法）#数据预处理的方data_transforms = {'train': transforms.Compose([transforms.Scale(230),transforms.CenterCrop(224),transf...

这代表将模型加载到指定设备上。其中，device=torch.device("cpu")代表的使用cpu，而device=torch.device("cuda")则代表的使用GPU。当我们指定了设备之后，就需要将模型加载到相应设备中，此时需要使用model=model.to(device)，将模型加载到相应的设备中。将由GPU保存的模型加载到CPU上。将torch.load()函数中的map_lo

一、分类模型指标1 准确率和错误率（该指标评价的前提样本分布平衡）准确率和错误率既可用于二分类也可用于多分类： 下述公式是准确率、错误率针对二分类情况时候的计算公式1.1准确率（该指标评价的前提样本分布平衡）针对 所有类别 ，计算acc，其计算公式如下：理解： 在样本（测试集）中所有预测正确的类别个数 与 所有样本的比值，它是针对所有的类别计算的。精确率和准确率是比较容易混淆的两个评估指标，两者是

       近年来目标检测算法主要包括两种类型：One Stage和Two Stage。 之前已经介绍了R-CNN、Fast-RCNN以及Faster-RCNN三种目标检测网络的算法流程和理论，这三种网络都属于Two Stage，Two Stage字面意思就是需要两步完成检测，这种目标检测网络有个比较明显的缺陷是检测速度较慢。为了加快检测速度，出

深度学习在图片处理中的应用是从图像分类开始的，所以我们要先从图像分类中了解深度学习的应用情况。本文根据阅读大量的资料和视频资源，简单地总结了图像分类中所有经典的深度学习神经网络。1、LeNetLeNet神经网络由深度学习三大巨头之一的Yan LeCun在1998提出，他同事也是卷积神经网络CNN父。LeNet主要用来进行手写字符的识别与分类。虽然LeNet早在20世纪90年代就...

一、数据增强方法：1. 对图片进行比例缩放2. 对图片进行随机位置的截取3. 对图片进行随机水平和竖直翻转4. 对图片进行随机角度的旋转5. 对图片进行亮度、对比度和颜色随机变化二、Torch中已经把这些方法内置在了torchvision中，可以直接调用f...

数据集sklearnsklearn 包含的内容sklearn数据集的使用：以鸢尾花数据集为例：演示代码如下：from sklearn.datasetsimport load_irisdef datasets_demo():iris = load_iris()print(“鸢尾花数据集:\n”,iris)print(“查看数据集描述:\n”,...