构建自己的dataloader是模型训练的第一步，本篇文章介绍下pytorch与dataloader以及与其相关的类的用法。DataLoader类中有一个必填参数为dataset，因此在构建自己的dataloader前，先要定义好自己的Dataset类。这里先大致介绍下这两个类的作用：Dataset：真正的“数据集”，它的作用是：只要告诉它数据在哪里(初始化)，就可以像使用iterator一样去拿到数据，继承该类后，需要重载__len__()以及__getitem__DataLoader：数据加载器，设置一些参数后，可以按照一定规则加载数据，比如设置batch_size后，每次加载一个batc

目录前言一、为什么选择Pytorch二、Pytorch的基本使用2-0、张量的定义2-1、直接创建张量2-1-1、torch.Tensor（）2-1-2、torch.from_numpy（）2-2、创建数值张量2-2-1、torch.ones（）2-2-2、torch.full（）2-2-3、torch.arange（）2-2-4、torch.linespace（）2-2-5、torch.eye（）2-3、根据概率创建张量2-3-1、torch.randn()2-3-2、torch.randint()2-3-3、torch.rand()2-3-4、torch.normal()2-4、张量的一些

目录前言一、为什么选择Pytorch二、Pytorch的基本使用2-0、张量的定义2-1、直接创建张量2-1-1、torch.Tensor（）2-1-2、torch.from_numpy（）2-2、创建数值张量2-2-1、torch.ones（）2-2-2、torch.full（）2-2-3、torch.arange（）2-2-4、torch.linespace（）2-2-5、torch.eye（）2-3、根据概率创建张量2-3-1、torch.randn()2-3-2、torch.randint()2-3-3、torch.rand()2-3-4、torch.normal()2-4、张量的一些

基于pytorch-classifier这个源码进行实现的图像分类代码的介绍在这个链接里面，这篇博客主要是为了带着大家通过实践的方式熟悉一下代码的使用，并且了解相关功能。1.下载相关资料这里我提供了一个花朵数据集，里面总共有十个类别的花朵作为本次实验的数据集。我们下载代码和数据集到本地，然后我们在下图创建一个名字为dataset的文件夹，然后把花朵数据集放到里面并重命名为train，具体如下：至此，完成第一步。2.配置环境首先推荐使用anaconda作为你的python环境，代码工具可以使用vscode或者pycharm，这个根据使用者爱好，这边我使用的是pycharm，那么这里默认各位已经准

基于pytorch-classifier这个源码进行实现的图像分类代码的介绍在这个链接里面，这篇博客主要是为了带着大家通过实践的方式熟悉一下代码的使用，并且了解相关功能。1.下载相关资料这里我提供了一个花朵数据集，里面总共有十个类别的花朵作为本次实验的数据集。我们下载代码和数据集到本地，然后我们在下图创建一个名字为dataset的文件夹，然后把花朵数据集放到里面并重命名为train，具体如下：至此，完成第一步。2.配置环境首先推荐使用anaconda作为你的python环境，代码工具可以使用vscode或者pycharm，这个根据使用者爱好，这边我使用的是pycharm，那么这里默认各位已经准

✨原创不易，还希望各位大佬支持一下\textcolor{blue}{原创不易，还希望各位大佬支持一下}原创不易，还希望各位大佬支持一下👍点赞，你的认可是我创作的动力！\textcolor{green}{点赞，你的认可是我创作的动力！}点赞，你的认可是我创作的动力！⭐️收藏，你的青睐是我努力的方向！\textcolor{green}{收藏，你的青睐是我努力的方向！}收藏，你的青睐是我努力的方向！✏️评论，你的意见是我进步的财富！\textcolor{green}{评论，你的意见是我进步的财富！}评论，你的意见是我进步的财富！项目效果图：YOLOv5一、YOLOv5介绍二、模型详解2.1Input

✨原创不易，还希望各位大佬支持一下\textcolor{blue}{原创不易，还希望各位大佬支持一下}原创不易，还希望各位大佬支持一下👍点赞，你的认可是我创作的动力！\textcolor{green}{点赞，你的认可是我创作的动力！}点赞，你的认可是我创作的动力！⭐️收藏，你的青睐是我努力的方向！\textcolor{green}{收藏，你的青睐是我努力的方向！}收藏，你的青睐是我努力的方向！✏️评论，你的意见是我进步的财富！\textcolor{green}{评论，你的意见是我进步的财富！}评论，你的意见是我进步的财富！项目效果图：YOLOv5一、YOLOv5介绍二、模型详解2.1Input

文章目录1.前言2.模型转换2.1.NCNN2.1.1.简介2.1.2.ncnn2.1.3.ncnn-android-yolov52.2.项目准备2.2.1.安装Androidstudio2.2.2.下载解压源码2.3.安卓源码重新编译2.3.1.构建工程2.3.2.修改源码2.3.2.1.修改CMakeLists.txt中的路径2.3.2.2.重新重新ysncproject2.3.2.3.安装APP到手机端2.4.demo效果测试2.5.换成自己的训练模型2.5.1.转换自己训练的pt权重为ncnn格式2.5.1.1.导出需要的onnx文件2.5.1.1.1.首先，安装onnx包2.5.1.

文章目录1.前言2.模型转换2.1.NCNN2.1.1.简介2.1.2.ncnn2.1.3.ncnn-android-yolov52.2.项目准备2.2.1.安装Androidstudio2.2.2.下载解压源码2.3.安卓源码重新编译2.3.1.构建工程2.3.2.修改源码2.3.2.1.修改CMakeLists.txt中的路径2.3.2.2.重新重新ysncproject2.3.2.3.安装APP到手机端2.4.demo效果测试2.5.换成自己的训练模型2.5.1.转换自己训练的pt权重为ncnn格式2.5.1.1.导出需要的onnx文件2.5.1.1.1.首先，安装onnx包2.5.1.

目录步骤第一步：安装Anaconda和Pycharm软件第二步：下载安装CUDA11.3（1）首先查看自己电脑GPU版本方式一：搜索框输入nvidia，打开nvidia控制面板方式二：win+R打开cmd，输入nvidia-smi（2）根据这个链接查看自己对应的cuda版本（3）安装第三步：下载GPU版本下的pytorch和pytorchvision第四步：验证以上步骤全部安装成功步骤如果要使用GPU进行机器学习的训练，那么首先需要支持训练的显卡及驱动即正确安装CUDA、CUDNN，最重要的一点是需要与驱动对应的torchGPU版本，否则大概率使用torch.cuda.is_available