Diretório da coluna:
Este artigo +
introdução rápida do pytorch e combate real - 1. Preparação do conhecimento (introdução aos elementos)
introdução rápida do pytorch e combate real - 2. Desenvolvimento de rede clássico de aprendizado profundo
introdução rápida do pytorch e combate real - 3. Unet realiza
introdução rápida do pytorch e combate real —— 4. Treinamento e teste de rede
Perceber：
Os módulos tutoriais são altamente independentes e podem ser lidos em qualquer lugar, independentemente de ser entre artigos diferentes ou módulos diferentes do artigo.
Como ser feliz. De qualquer forma, é tudo de " o que é isso tudo " a " hehe, essa "
parte não está listada em detalhes porque pode ser pulada, mesmo que você não entenda.
Este artigo tem como alvo o eu que era há dois meses, quase puro e novo. UNet faz processamento de imagem
Todos os exemplos neste artigo são os exemplos mais simples, não se limite a isso, sua divergência é quase infinita.
Meu humilde servo: sou novo no aprendizado profundo, formado em ciência da computação, segundo ano da pós-graduação, não sou bom em matemática, bom em codificação, com tarefas em mãos, ansioso para aplicar o aprendizado profundo, brincalhão nas aulas (se não sou brincalhão, não vou aprender muito).
Idéias para solução de problemas: o que é? Por que? o que fazer? Conceito de aprendizado: busca quase louca pela eficiência, então escolha o aprendizado de emergência.
Aprendizagem de emergência: Pesquisar e resolver problemas depois de encontrá-los, ou seja, aprendizagem orientada por propósitos.
O conceito introdutório da linha de cardagem é baseado em:
Não se preocupe com python (entenda o conceito)
Xiaoqiang DL (leia os jornais para ver o desenvolvimento da rede)
Início rápido de aprendizado profundo
Existem muitas maneiras de começar com o aprendizado profundo, começando com conceitos básicos e desenvolvimento histórico.
Em suma, a maioria deles é aprendizado sistemático, mas o aprendizado sistemático é amplo o suficiente para quem não precisa aplicar o aprendizado profundo a curto prazo, mas consome muito tempo para quem está na tarefa e a sensação de realização é baixo e fácil. entediado, cansado. Especialmente diante de muitos conceitos espasmódicos, é fácil criar uma sensação de medo.
Mas isso não significa que eu não atente para uma base sólida, a importância da pedra angular é evidente, mas diante da realidade, escolho ser preguiçoso e pegar atalhos.
Após duas semanas de luta, finalmente deixei o código rodar e entendi algumas depurações básicas (o código manual puro não é um grande problema, mas é claro que não inclui melhorar as funções de rede e perda.) Enfrentei o Deep Learning há duas semanas
. Quando eu estava com Pytorch, também fiquei confuso, como se houvesse uma grande montanha na minha frente, e agora também é um canto de seu véu misterioso.
1 O que a aprendizagem profunda pode fazer
Antes de mais nada, é preciso entender o que o deep learning pode fazer:Classificação、detecção、Dividir
ClassificaçãoNão tenho muito o que dizer, li todos os livros sobre melancia, ou seja:
julgar se um melão é bom ou ruim pela cor, raízes e outras características.
Detecção de alvo
Circule o carro, pessoa, etc. na foto.
segmentação semântica
Observe que não se limita ao NLP (Natural Language Understanding) Por exemplo, em uma imagem, se um determinado pixel pertence ao fundo também é semântico.
Mas não se limite a isso. Não entendo muitos problemas, mas eles podem ser usados se divergirem. Por exemplo, eu uso aprendizado profundo em vez de reconstrução de seção de TC.
2 Três elementos da rede neural
dadosentrada pararedesaídaresultado, compare o rótulo e calcule os parâmetros de correção de retropropagação de perda. Vá para a próxima rodada de treinamento.
2.1 Dados
Você pode baixar o treinamento de caligrafia do ministro e usar o seu próprio, se tiver.
Ou, se você tentar, poderá usar aleatoriamente algumas matrizes bidimensionais como imagens em tons de cinza.
2.2 Rede
Basta encontrar uma linha de base, você pode alterá-la ou não, pode encontrar o código-fonte no github, ou pode encontrar um artigo e reproduzi-lo você mesmo através do diagrama de estrutura de rede.Na verdade, não é tão difícil.
2.3 Devolução do resultado
Torch tem sua própria função de perda, L1 regular? Função de perda quadrada média MSE? De qualquer forma, para começar, basta definir um e está OK.
De qualquer forma, este é o caso, então vamos entender alguns conceitos desses três elementos:
introdução rápida ao pytorch e combate real - 1. Preparação do conhecimento (introdução aos elementos)