本文参加新星计划人工智能(Pytorch)赛道：https://bbs.csdn.net/topics/613989052本文从分类、检测、分割三大任务的角度来剖析pytorch得dataset和dataloader源码，可以让初学者深刻理解每个参数的由来和使用，并轻松自定义dataset。思考：在探究Dataset和DataLoader之前，需要明白一个事情，就是当我们不管做是分类、检测还是分割任务时，我们的数据集一定由很多张图片组成的，形状大小各异；那麽我们在使用pytorch时，图片是怎么以一个batch的形式进行打包的呢，形状不同怎么处理，数据格式有什么要求，Dataset类中的初始化

文章目录前言一、导入相关库二、加载Cora数据集三、定义GCN网络3.1定义GCN层3.1.1邻接矩阵A3.1.2度矩阵D3.1.3获取矩阵D−1/2D^{-1/2}D−1/23.1.4GCNConv层3.2定义GCN网络四、定义模型五、模型训练六、模型验证七、结果完整代码前言大家好，我是阿光。本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。正在更新中~✨🚨我的项目环境：平台：Windows10语言环境：python3.7编译器：PyCharmPy

文章目录前言一、导入相关库二、加载Cora数据集三、定义GCN网络3.1定义GCN层3.1.1邻接矩阵A3.1.2度矩阵D3.1.3获取矩阵D−1/2D^{-1/2}D−1/23.1.4GCNConv层3.2定义GCN网络四、定义模型五、模型训练六、模型验证七、结果完整代码前言大家好，我是阿光。本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。正在更新中~✨🚨我的项目环境：平台：Windows10语言环境：python3.7编译器：PyCharmPy

 目录     控制参数：anchors先验框的配置:backbone主干网络设置:head头部网络设置:yolov5网络整体架构流程 Focus操作相对于一些早期的检测网络，比如faster-Rcnn来说，网络的架构一般分为，图像输入模块，backbone主干网络，Neck颈部模块，检测头DensePrediction检测模块。backbone主干网络一般由：VGG16，Resnet50，ResneXt101，Darknet53等网络构成。Neck颈部模块一般是一些：FPN，PANet，Bi-FPN等功能块组成，一般实现的功能基础都是上采样。但是在Yolov5中，作者没有单独给出Neck颈部

 目录     控制参数：anchors先验框的配置:backbone主干网络设置:head头部网络设置:yolov5网络整体架构流程 Focus操作相对于一些早期的检测网络，比如faster-Rcnn来说，网络的架构一般分为，图像输入模块，backbone主干网络，Neck颈部模块，检测头DensePrediction检测模块。backbone主干网络一般由：VGG16，Resnet50，ResneXt101，Darknet53等网络构成。Neck颈部模块一般是一些：FPN，PANet，Bi-FPN等功能块组成，一般实现的功能基础都是上采样。但是在Yolov5中，作者没有单独给出Neck颈部

在使用YOLOV5训练好模型测试时出现问题：AttributeError:‘Upsample’objecthasnoattribute'recompute_scale_factor’的快速解决方法。解决方法一：有些博主说降低torchhe和torchvision版本，比如上图所示我的torch版本1.11.0torchvision版本0.10.2，torch版本降低到版本1.9.1，torchvision版本降低到版本0.10.1。这是一种解决办法，但是要重新pytorch，我就嫌很麻烦，配置安装过程中可能又出现各种问题，所以我没有重新安装，采用了下面的这种方法，不用降低版本重载，就可以快速解

训练时，报错：data.yamldoesnotexist!yolotask=detectmode=trainmodel=yolov8n.ptdata=data.yaml解决办法：写绝对路径：!yolotask=detectmode=trainmodel=yolov8n.ptdata=/home/{username}/{xxx}/{xxx}/datasets/data.yamldata.ymal里path的配置也要是绝对路径：#path:../datasets/{your_project}#datasetrootdirpath:/home/{username}/{xxx}/{xxx}/datas

报错提示：UserWarning:__floordiv__isdeprecated,anditsbehaviorwillchangeinafutureversionofpytorch.Itcurrentlyroundstoward0(likethe‘trunc’functionNOT‘floor’).Thisresultsinincorrectroundingfornegativevalues.Tokeepthecurrentbehavior,usetorch.div(a,b,rounding_mode=‘trunc’),orforactualfloordivision,usetorch.di

Pytorch机器学习（八）——YOLOV5中NMS非极大值抑制与DIOU-NMS等改进目录Pytorch机器学习（八）——YOLOV5中NMS非极大值抑制与DIOU-NMS等改进前言一、NMS非极大值抑制算法二、Hard-NMS非极大值代码三、DIOU-NMS 四、soft-NMS前言在目标检测的预测阶段时，会输出许多候选的anchorbox，其中有很多是明显重叠的预测边界框都围绕着同一个目标，这时候我就可以使用NMS来合并同一目标的类似边界框，或者说是保留这些边界框中最好的一个。如果对IOU等知识不了解的可以看我上篇博客Pytorch机器学习（五）——目标检测中的损失函数（l2，IOU，G

Pytorch机器学习（八）——YOLOV5中NMS非极大值抑制与DIOU-NMS等改进目录Pytorch机器学习（八）——YOLOV5中NMS非极大值抑制与DIOU-NMS等改进前言一、NMS非极大值抑制算法二、Hard-NMS非极大值代码三、DIOU-NMS 四、soft-NMS前言在目标检测的预测阶段时，会输出许多候选的anchorbox，其中有很多是明显重叠的预测边界框都围绕着同一个目标，这时候我就可以使用NMS来合并同一目标的类似边界框，或者说是保留这些边界框中最好的一个。如果对IOU等知识不了解的可以看我上篇博客Pytorch机器学习（五）——目标检测中的损失函数（l2，IOU，G