技术标签: 论文阅读 经验分享 python AI编程 深度学习 人工智能 论文笔记 科研笔记与实践
原文发布时间:2023-03-03 11:15:52
完善更新主要补充:
1、分享一个简单的深度学习代码案例(手写数字识别)分析
2、我是如何阅读深度学习代码的,以及一些小白阶段性的思路。
努力上路的小白一枚,麻烦路过的大佬指导一二,同时希望能和大家交流学习~
和学长学姐、实习老师们交流后的目前思路:
代码看累了,就看《动手学深度学习》文档:基于PyTorch框架,从底层函数实现基础功能,再到框架的高级功能
http://zh.gluon.ai/chapter_preface/preface.html
争取更新学习这个文档的专栏,记录学习过程
20天吃掉那只Pytorch
https://jackiexiao.github.io/eat_pytorch_in_20_days/
这个感觉更浅一点儿,之后复习看吧
量身定做了一套话术hhh,亲身测试还不错
我是一个深度学习代码小白,请你用中文写上注释,能让我能轻松理解下面这段代码。注意包含所有函数、调用和参数的注释。以同样的python代码块样式返回你写的代码给我
# -*- coding: utf-8 -*- """ Created on Mon Feb 27 11:23:44 2023 """
作为一个深度学习领域的小白,我仍然记得当初初次尝试阅读深度学习代码时所面对的挑战。那时,代码看起来晦涩难懂,但随着时间的推移和不断的学习,我逐渐克服了这些困难。
在这篇博客中,我将分享我是如何阅读深度学习代码的,以及一些小白阶段性的思路。
我发现大多数深度学习代码都是用Python编写的,所以我决定学习Python。起初,我只掌握了一些基本的Python语法,如变量、条件语句和循环。这使我能够理解和修改简单的代码示例。
深度学习是一个复杂的领域,所以我开始了解神经网络、卷积神经网络、循环神经网络等基本概念。这些概念是理解深度学习代码的基础,所以我花了一些时间来阅读教科书、在线教程和学习资料。
深度学习代码通常使用深度学习框架和库来实现,如TensorFlow、PyTorch等。我选择了PyTorch,因为它有着强大的社区支持和丰富的资源。
我开始学习如何构建神经网络、进行数据预处理和训练模型。这需要不断的实践和尝试,过程可能比想象要更久一点,但是学完了就轻松了。
逐渐熟悉了基本概念和工具后,我开始阅读一些简单的示例代码。
选择了一些经典的任务,如手写数字识别,因为它们有大量的教程和示例代码可供学习。然后我尝试理解代码的结构、数据流和关键步骤。
深度学习代码的调试是一个常见的挑战。我遇到了很多错误,但每个错误都是一个学习机会。我学会了如何查找错误、尝试不同的解决方法,以及如何进行实验来测试不同的模型和参数设置。这个过程需要耐心和毅力,但我发现它是非常有益的。
在学习深度学习代码的过程中,文档和资源是非常重要的。
我开始查阅PyTorch官方文档、在线教程和博客文章,以解决问题和理解代码。这帮助我更好地理解框架的功能和用法。
深度学习领域有着庞大的社区,充满了热情的从业者。我加入了很多社群潜水,观望大佬们的交流,我发现社群成员愿意分享知识和帮助新手,这对我来说是一种巨大的鼓舞。
参与了CSDN的博客笔记记录,与其他人互动和分享自己的进展,对我来说是学习的一种很好的方式。
这是一个简单的深度学习代码示例,它包括了数据加载、数据预处理、模型构建、模型编译、训练和评估等步骤。通过逐行分析代码,可以更好地理解深度学习代码的结构和逻辑。当熟悉这些基本步骤后,可以尝试更复杂的任务和模型。
当学习深度学习代码时,逐行分析代码是非常有帮助的。下面是一个PyTorch示例(手写数字识别),我将逐行进行分析:
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
transforms
模块和一些视觉数据集(torchvision
)。transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
transforms.Compose
允许将多个数据转换操作组合在一起。在这里,我们定义了两个转换操作,分别是将图像转换为张量(transforms.ToTensor()
)和将像素值进行标准化(transforms.Normalize
)。trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
torchvision.datasets
中加载MNIST数据集。root
参数指定了数据集的本地保存路径,train=True
表示加载训练数据集,download=True
表示如果数据集不存在则下载它,最后,transform
参数指定了我们之前定义的数据转换。trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
batch_size
参数指定了每个批次包含的样本数,shuffle=True
表示在每个周期(epoch)开始时对数据进行洗牌,以随机排列样本。以上是代码的前半部分,它主要涉及数据加载和预处理。接下来,我们将继续分析代码的后半部分。
# 步骤2:定义神经网络模型
class Net(nn.Module):
def __init__(self):
super(Net, self).__init()
self.conv1 = nn.Conv2d(1, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 4 * 4, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 * 4 * 4)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
这部分代码定义了神经网络模型。我们创建了一个名为Net
的类,它继承自nn.Module
,这是PyTorch中构建模型的常用方式。在构造函数中,我们定义了模型的各层(卷积层、池化层、全连接层)以及它们的参数。这个模型是一个卷积神经网络(CNN),用于手写数字识别。
forward
方法定义了数据在模型中的前向传播流程。它描述了数据如何从一层传递到下一层,包括卷积操作、激活函数(ReLU)、池化操作和全连接层。
最后,我们创建了一个net
实例,这是我们的神经网络模型的一个具体实例化对象。
# 步骤3:定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
这部分代码定义了损失函数和优化器。我们使用了交叉熵损失(nn.CrossEntropyLoss
)作为损失函数,这是常用于分类问题的损失函数。
优化器使用了随机梯度下降(SGD),并通过lr
参数指定了学习率,通过momentum
参数指定了动量。
这就完成了神经网络模型的定义和损失函数、优化器的设置。接下来,我们将继续分析代码的训练和评估部分。
让我们继续分析PyTorch示例代码的训练和评估部分:
# 步骤4:训练模型
for epoch in range(5):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print('Epoch %d loss: %.3f' % (epoch + 1, running_loss / (i + 1))
print('Finished Training')
这部分代码进行了模型的训练。它使用一个外层循环遍历5个训练周期(epochs),每个周期中使用一个内层循环遍历训练数据集中的小批次(batch)。
在每个批次中,首先调用optimizer.zero_grad()
来清除之前批次的梯度信息。然后,将输入数据(inputs
)传递给模型,模型产生输出(outputs
)。接着,计算损失(loss
)并使用loss.backward()
进行反向传播计算梯度。最后,通过optimizer.step()
来更新模型的参数,以减小损失。
我们还计算了每个周期的平均损失,并在每个周期结束后打印出来,以监视训练的进展。
# 步骤5:评估模型
testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False)
correct = 0
total = 0
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy on test images: %.2f %%' % (100 * correct / total))
这部分代码用于评估模型的性能。我们加载了测试数据集,并使用testloader
来将测试数据划分成小批次。
在with torch.no_grad()
块中,我们遍历每个批次,计算模型的预测结果,并统计模型在测试数据集上的准确度。
最后,我们打印出测试准确度,这是模型在测试数据上正确分类的比例。
这就完成了整个示例代码的分析。通过逐行分析代码,可以更好地理解PyTorch中的深度学习训练和评估过程。
希望这个示例对你理解深度学习代码的工作方式有所帮助。
阅读深度学习代码对于小白来说可能是一个挑战,但通过坚持学习和不断实践,我渐渐克服了这个困难。不要害怕犯错,不要害怕提问,因为深度学习是一个充满机会和创新的领域。通过逐步学习和积累经验,可以慢慢地读懂深度学习代码,为这个领域做出自己的贡献。
文章浏览阅读290次,点赞8次,收藏10次。1.背景介绍稀疏编码是一种用于处理稀疏数据的编码技术,其主要应用于信息传输、存储和处理等领域。稀疏数据是指数据中大部分元素为零或近似于零的数据,例如文本、图像、音频、视频等。稀疏编码的核心思想是将稀疏数据表示为非零元素和它们对应的位置信息,从而减少存储空间和计算复杂度。稀疏编码的研究起源于1990年代,随着大数据时代的到来,稀疏编码技术的应用范围和影响力不断扩大。目前,稀疏编码已经成为计算...
文章浏览阅读217次。EasyGBS - GB28181 国标方案安装使用文档下载安装包下载,正式使用需商业授权, 功能一致在线演示在线API架构图EasySIPCMSSIP 中心信令服务, 单节点, 自带一个 Redis Server, 随 EasySIPCMS 自启动, 不需要手动运行EasySIPSMSSIP 流媒体服务, 根..._easygbs-windows-2.6.0-23042316使用文档
文章浏览阅读1.2k次,点赞27次,收藏7次。2023巅峰极客 BabyURL之前AliyunCTF Bypassit I这题考查了这样一条链子:其实就是Jackson的原生反序列化利用今天复现的这题也是大同小异,一起来整一下。_原生jackson 反序列化链子
文章浏览阅读734次,点赞9次,收藏7次。微服务架构简单的说就是将单体应用进一步拆分,拆分成更小的服务,每个服务都是一个可以独立运行的项目。这么多小服务,如何管理他们?(服务治理 注册中心[服务注册 发现 剔除])这么多小服务,他们之间如何通讯?这么多小服务,客户端怎么访问他们?(网关)这么多小服务,一旦出现问题了,应该如何自处理?(容错)这么多小服务,一旦出现问题了,应该如何排错?(链路追踪)对于上面的问题,是任何一个微服务设计者都不能绕过去的,因此大部分的微服务产品都针对每一个问题提供了相应的组件来解决它们。_spring cloud
文章浏览阅读5.9k次,点赞6次,收藏20次。Js实现图片点击切换与轮播图片点击切换<!DOCTYPE html><html> <head> <meta charset="UTF-8"> <title></title> <script type="text/ja..._点击图片进行轮播图切换
文章浏览阅读10w+次,点赞245次,收藏1.5k次。在开始安装前,如果你的电脑装过tensorflow,请先把他们卸载干净,包括依赖的包(tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing),不然后续安装了tensorflow-gpu可能会出现找不到cuda的问题。cuda、cudnn。..._tensorflow gpu版本安装
文章浏览阅读243次。0x00 简介权限滥用漏洞一般归类于逻辑问题,是指服务端功能开放过多或权限限制不严格,导致攻击者可以通过直接或间接调用的方式达到攻击效果。随着物联网时代的到来,这种漏洞已经屡见不鲜,各种漏洞组合利用也是千奇百怪、五花八门,这里总结漏洞是为了更好地应对和预防,如有不妥之处还请业内人士多多指教。0x01 背景2014年4月,在比特币飞涨的时代某网站曾经..._使用物联网漏洞的使用者
文章浏览阅读786次。A. Epipolar geometry and triangulationThe epipolar geometry mainly adopts the feature point method, such as SIFT, SURF and ORB, etc. to obtain the feature points corresponding to two frames of images. As shown in Figure 1, let the first image be and th_normalized plane coordinates
文章浏览阅读708次,点赞2次,收藏3次。开放信息抽取(OIE)系统(三)-- 第二代开放信息抽取系统(人工规则, rule-based, 先关系再实体)一.第二代开放信息抽取系统背景 第一代开放信息抽取系统(Open Information Extraction, OIE, learning-based, 自学习, 先抽取实体)通常抽取大量冗余信息,为了消除这些冗余信息,诞生了第二代开放信息抽取系统。二.第二代开放信息抽取系统历史第二代开放信息抽取系统着眼于解决第一代系统的三大问题: 大量非信息性提取(即省略关键信息的提取)、_语义角色增强的关系抽取
文章浏览阅读1.1w次,点赞6次,收藏51次。快速完成网页设计,10个顶尖响应式HTML5网页模板助你一臂之力为了寻找一个优质的网页模板,网页设计师和开发者往往可能会花上大半天的时间。不过幸运的是,现在的网页设计师和开发人员已经开始共享HTML5,Bootstrap和CSS3中的免费网页模板资源。鉴于网站模板的灵活性和强大的功能,现在广大设计师和开发者对html5网站的实际需求日益增长。为了造福大众,Mockplus的小伙伴整理了2018年最..._html欢迎页面
文章浏览阅读282次。原标题:2018全国计算机等级考试调整,一、二级都增加了考试科目全国计算机等级考试将于9月15-17日举行。在备考的最后冲刺阶段,小编为大家整理了今年新公布的全国计算机等级考试调整方案,希望对备考的小伙伴有所帮助,快随小编往下看吧!从2018年3月开始,全国计算机等级考试实施2018版考试大纲,并按新体系开考各个考试级别。具体调整内容如下:一、考试级别及科目1.一级新增“网络安全素质教育”科目(代..._计算机二级增报科目什么意思
文章浏览阅读240次。conan简单使用。_apt install conan