咋的个人博客

在训练过程中，dropout会以概率p随机地将一些神经元的输出设置为0，防止过拟合。在测试过程中，dropout不会被应用，而是通过将每个神经元的输出乘以保留概率（通常为0.5）来进行缩放。这是因为测试时，我们希望利用所有的神经元来获得更好的预测结果。dropout的工作原理是，在每个训练批次中，随机选择一些神经元，并将它们的输出设置为0。这样做的结果是，网络不再依赖于特定的神经元，而是强迫网络学习多个独立的特征子集，从而减少了过拟合的风险。 1torch.nn.Dropout(p=0.5, inplace=False)

文章目录 一、Pycharm连接远程服务器 二、xshell7和xrtp7配合使用 三、总结 一、Pycharm连接远程服务器首先要确定自己的Pycharm是专业版的，平时我们用的基本上都是社区版的Pycharm，社区版的Pycharm不带远程连接的功能，所以需要用专业版的Pycharm。给大家推一篇专业版Pycharm的安装教程，只要按照这个教程进行安装即可：Pycharm专业版安装。打开界面，点击工具箱下的deployment下的configuration。点击加号添加服务器信息，选择SFTP，点击右边的…添加信息：依次输入IP，端口号（默认是22），用户名（注意大小写），密码。点击确定后返回上一个界面，可以点击Test_connection尝试连接，successful connect说明可以正常连接服务器了。关键一步来了！-——配置文件映射信息。点击mappings，local path即为本地文件夹的路径，用的是\斜杠，deployment path是远程服务器对应的路径，重点!,服务器最后的文件夹名称一定要和本地的文件夹名称一样，我这里本地是lzy，服务器也要创建一 ...

模型训练可以分为以下几步 数据集准备 数据集加载 模型定义及实例化 损失函数定义 参数更新方式定义 模型必要参数设置 模型训练逻辑及一些提示信息、可视化编写 开始训练模型123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081#!/usr/bin/env python# -*- coding: UTF-8 -*-"""@Project ：Pytorch_learn @File ：train.py@IDE ：PyCharm @Author ：咋@Date ：2023/7/13 15:38 """import torchimport torchvisionfrom torch.utils import datafrom Mymodel import MyMo ...

方法模型保存和加载有两套方法，分别为方法一 torch.save(vgg16,”vgg_1.pth”) 直接保存模型结构和模型参数，内存占用比较大 model = torch.load(“vgg_1.pth”) 方法二 torch.save(vgg16.state_dict(),”vgg_2.pth”) 以键值对的形式只保存模型参数，节省内存 vgg16.load_state_dict(torch.load(“vgg_2.pth”)) #加载时需要先知道模型结构，再和模型参数匹配 一、以vgg模型保存和加载为例1234567891011121314151617181920#!/usr/bin/env python# -*- coding: UTF-8 -*-"""@Project ：Pytorch_learn @File ：model_save.py@IDE ：PyCharm @Author ：咋@Date ：2023/7/13 13:19 """import torchimport ...

首先加载模型结构，可以设置pretrained参数设置成是否是在特定数据集上训练好的预训练模型。通过add_module添加模型结构可以根据索引去修改模型结构 1234567891011121314151617181920212223#!/usr/bin/env python# -*- coding: UTF-8 -*-"""@Project ：Pytorch_learn @File ：vgg16.py@IDE ：PyCharm @Author ：咋@Date ：2023/7/13 12:53 """import torchvisionfrom torch.nn import Linearvgg16 = torchvision.models.vgg16(pretrained=True) # 设置成True即代表是在ImageNet上训练好的预训练模型# 添加模型结构vgg16.classifier.add_module("7",Linear(1000,10))# print(vg ...

损失函数 计算实际输出与目标之间的差距 为我们更新输出提供一定的依据（反向传播） CROSSENTROPYLOSS（交叉熵）1CLASStorch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean', label_smoothing=0.0) weight (Tensor,_ _optional) – a manual rescaling weight given to each class. If given, has to be a Tensor of size C size_average (bool,_ _optional) – Deprecated (see reduction). By default, the losses are averaged over each loss element in the batch. Note that for some losses, there are ...