Pertanyaan Terbaru Tentang Pytorch

0
Menjawab

Pemuatan model Pytorch memerlukan impor model di direktori pemanggil

Project |-models |--simple_model.py |-application |--infer_and_do_something.py |-main.py Project |-models |--simple_model.py |-application |--infer_and_do_something.py |-main.py Proyek | -model | -simple_model.py | -aplikasi | -infer_and_do_something.py | -main.py Main adalah tempat program dijalankan di awal atau dapat diganti sebagai notebook jupyter. Semua implementasi pemuatan dan penggunaan model terlatih terjadi di file 'infer_and_do_something.py'.

model pytorch load

0
Menjawab

File tidak ditemukan atau rusak saat memuat kumpulan data CUB-200-2011

import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Cub2011(Dataset): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init__(self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader self.train=train if download: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'images.txt'), sep=' ', names=['img_id', 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep=' ', names=['img_id', 'target']) train_test_split=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'train_test_split.txt'), sep=' ', names=['img_id', 'is_training_img']) data=images.merge(image_class_labels, on='img_id') self.data=data.merge(train_test_split, on='img_id') if self.train: self.data=self.data[self.data.is_training_img==1] else: self.data=self.data[self.data.is_training_img==0] def _download(self): import tarfile download_url(self.url, self.root, self.filename, self.tgz_md5) with tarfile.open(os.path.join(self.root, self.filename),"r:gz") as tar: tar.extractall(path=self.root) def __len__(self): return len(self.data) def __getitem__(self, idx): sample=self.data.iloc[idx] path=os.path.join(self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader(path) if self.transform is not None: img=self.transform(img) return img, target import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Cub2011(Dataset): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init__(self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader self.train=train if download: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'images.txt'), sep=' ', names=['img_id', 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep=' ', names=['img_id', 'target']) train_test_split=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'train_test_split.txt'), sep=' ', names=['img_id', 'is_training_img']) data=images.merge(image_class_labels, on='img_id') self.data=data.merge(train_test_split, on='img_id') if self.train: self.data=self.data[self.data.is_training_img==1] else: self.data=self.data[self.data.is_training_img==0] def _download(self): import tarfile download_url(self.url, self.root, self.filename, self.tgz_md5) with tarfile.open(os.path.join(self.root, self.filename),"r:gz") as tar: tar.extractall(path=self.root) def __len__(self): return len(self.data) def __getitem__(self, idx): sample=self.data.iloc[idx] path=os.path.join(self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader(path) if self.transform is not None: img=self.transform(img) return img, target import os impor panda sebagai pd impor numpy sebagai np dari torchvision.datasets.folder impor default_loader dari torchvision.datasets.utils impor download_url dari torch.utils.data import Dataset kelas Cub2011 (Dataset): base_folder='CUB_200_2011/gambar' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' namafile='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init __ (self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser (root) self.transform=transformasi self.loader=default_loader self.train=melatih jika mengunduh: self._download () def _load_metadata (sendiri): images=pd.read_csv (os.path.join (self.root, 'CUB_200_2011', 'images.txt'), sep='', nama=['img_id', 'filepath']) image_class_labels=pd.read_csv (os.path.join (self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep='', names=['img_id', 'target']) train_test_split=pd.read_csv (os.path.join (self.root, 'CUB_200_2011', 'train_test_split.txt'), sep='', names=['img_id', 'is_training_img']) data=images.merge (image_class_labels, on='img_id') self.data=data.merge (train_test_split, on='img_id') jika self.train: self.data=self.data[self.data.is_training_img==1] lain: self.data=self.data[self.data.is_training_img==0] def _download (sendiri): impor tarfile download_url (self.url, self.root, self.filename, self.tgz_md5) dengan tarfile.open (os.path.join (self.root, self.filename),"r: gz") sebagai tar: tar.extractall (path=self.root) def __len __ (sendiri): return len (self.data) def __getitem __ (diri, idx): sample=self.data.iloc[idx] path=os.path.join (self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader (jalur) jika self.transform bukan None: img=self.transform (img) return img, target Saya mencoba memuat dataset CUB-200-2011 dengan kode di atas,

machine learning computer vision deep learning pytorch torchvision

1
Menjawab

apa fungsi default_loader di torch?

import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Sample_Class(Dataset): def __init__(self,root,train=True,transform=None,loader=default_loader): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Sample_Class(Dataset): def __init__(self,root,train=True,transform=None,loader=default_loader): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader impor os impor panda sebagai pd impor numpy sebagai np dari torchvision.datasets.folder impor default_loader dari torchvision.datasets.utils impor download_url dari torch.utils.data import Dataset kelas Sample_Class (Dataset): def __init __ (self, root, train=True, transform=None, loader=default_loader): self.root=os.path.expanduser (root) self.transform=transformasi self.loader=default_loader Pada potongan kode di atas, apa arti dari loader=default_loader, apa sebenarnya fungsinya?

dataloader pytorch dataset

0
Menjawab

Penurunan besar-besaran dalam kesalahan pelatihan setelah periode pertama

Saya melatih pembuat otomatis LSTM untuk membuat ulang masukan yang terdiri dari delapan fitur (angka titik-mengambang antara 0 dan 1). Saat ini, saya menggunakan ukuran jendela dua dan saya melatih model untuk 50 epoch. Namun, saat melatih jaringan, saya mengamati bahwa kesalahan pelatihan (Mean Square Error) turun secara signifikan setelah epoch pertama. Misalnya, selama epoch pertama, kesalahan pelatihan adalah 17,25. Itu turun menjadi 1,8 pada saat berikutnya dan stagnan setelah periode ketujuh. Saya bertanya-tanya apakah inisialisasi acak bobot mungkin menyebabkan hal ini, oleh karena itu saya melatih kembali satu jaringan lagi dan fenomena yang sama berulang.

pytorch lstm machine learning autoencoder

1
Menjawab

Memuat gambar di PyTorch

Saya baru mengenal PyTorch dan mengerjakan model GAN. Saya ingin memuat kumpulan data gambar saya. Cara melakukannya dengan menggunakan Keras adalah:

pytorch

0
Menjawab

Model Pytorch dilatih dengan akurasi validasi 99% tetapi selama prediksi hanya memprediksi satu kelas

Saya mulai membuat sistem pengenalan wajah ujung ke ujung dari pustaka facenet-pytorch dan saya mengalami masalah dengan bagian prediksi. Setelah proses pelatihan dilakukan dengan akurasi validasi 99% model mengklasifikasikan data pelatihan itu sendiri salah dan benar-benar bias ke salah satu kelas (Garry_Marshall). Apapun gambar yang Anda ambil, itu tetap hanya akan memberi Anda kelas itu. Tautan kode (colab) diberikan di bawah ini dan jika ada informasi lain yang diperlukan, tanyakan. Kode yang dimaksud adalah bagian di bawah judul"Klasifikasi Wajah".

deep learning pytorch python face recognition

0
Menjawab

Accuracy dan Recall sama untuk implementasi resnet pytorch

Saya telah menggunakan akurasi_score dan recall_score dari sklearn.metrics untuk menghitung skor, tetapi apa pun zamannya, akurasi dan perolehan kembali sama nilainya untuk kumpulan data CIFAR100. Saya mencoba menerapkannya di Pytorch. Contoh y_pred, y_true yang saya berikan ke fungsi terlihat seperti y_pred=[11, 12, 65, ..... 13, 15, 17] dan y_true=[11, 12, 53, ..... 13, 78, 17]. Dapatkah Anda menyarankan di mana kesalahan saya?

cnn pytorch deep learning resnet scikit learn

Tag Populer

© 2021   Pemrograman.Net