本文是利用pytorch自定义CNN网络系列的第三篇，主要介绍如何构建一个CNN网络，关于本系列的全文见这里。笔者的运行设备与软件：CPU(AMDRyzen™54600U)+pytorch(1.13，CPU版)+jupyter；本文所用到的资源：链接：https://pan.baidu.com/s/1WgW3IK40Xf_Zci7D_BVLRg提取码：12121.如何让构建一个CNN模型构建模型的过程就是对CNN原理的代码实现，我们已经了解到CNN内部包含有卷积层、池化层、全连接层等网络层，模型的构建就是对这些层的实现以及链接。CNN的模型的实现依赖pytorch中的torch.nn模块，而t

本文是利用pytorch自定义CNN网络系列的第二篇，主要介绍构建网络前数据集的准备，关于本系列的全文见这里。笔者的运行设备与软件：CPU(AMDRyzen™54600U)+pytorch(1.13，CPU版)+jupyter；本文所用到的资源：链接：https://pan.baidu.com/s/1WgW3IK40Xf_Zci7D_BVLRg提取码：1212在训练网络模型时，我们可以使用torchvision库自带的数据集（torchvision.datasets），也可以使用自己的数据集。实际运用中一般都是使用自己的数据集，本文就讲一下该如何准备自己的数据。这里呢，笔者偷了个懒，我使用的是

鸢尾花数据集是机器学习领域非常经典的一个分类任务数据集。它的英文名称为IrisDataSet，使用sklearn库可以直接下载并导入该数据集。数据集总共包含150行数据，每一行数据由4个特征值及一个标签组成。标签为三种不同类别的鸢尾花，分别为：IrisSetosa，IrisVersicolour，IrisVirginica。对于多分类任务，有较多机器学习的算法可以支持。本文将使用决策树、线性回归、SVM等多种算法来完成这一任务，并对不同方法进行比较。01、使用Logistic实现鸢尾花分类在前面介绍过Logistic用于二分类任务，对其进行扩展也用于多分类任务。下面将使用sklearn库完成一

鸢尾花数据集是机器学习领域非常经典的一个分类任务数据集。它的英文名称为IrisDataSet，使用sklearn库可以直接下载并导入该数据集。数据集总共包含150行数据，每一行数据由4个特征值及一个标签组成。标签为三种不同类别的鸢尾花，分别为：IrisSetosa，IrisVersicolour，IrisVirginica。对于多分类任务，有较多机器学习的算法可以支持。本文将使用决策树、线性回归、SVM等多种算法来完成这一任务，并对不同方法进行比较。01、使用Logistic实现鸢尾花分类在前面介绍过Logistic用于二分类任务，对其进行扩展也用于多分类任务。下面将使用sklearn库完成一

用来创建自己的数据集，提供一种方式去获取数据及其label。1.如何获取每一个数据及其label；2.告诉我们总共有多少数据help：所有的数据集都需要继承该类，所有的子类都应该重写__getitem__方法（获取每一个数据及其label），选择性重写__len__类（返回数据集的大小）（b站土堆蚂蚁和蜜蜂案例数据集下载：https://download.pytorch.org/tutorial/hymenoptera_data.zip）创建自己的数据集：1.新建数据类继承Dataset类；2.重写方法；3.实例化使用（注意文件的路径修改为自己的路径）fromtorch.utils.datai

Flink系列文章1、Flink1.12.7或1.13.5详细介绍及本地安装部署、验证2、Flink1.13.5二种部署方式(Standalone、StandaloneHA)、四种提交任务方式（前两种及session和per-job）验证详细步骤3、flink重要概念（api分层、角色、执行流程、执行图和编程模型）及dataset、datastream详细示例入门和提交任务至onyarn运行4、介绍Flink的流批一体、transformations的18种算子详细介绍、Flink与Kafka的source、sink介绍5、Flink的source、transformations、sink的详

本文是利用pytorch自定义CNN网络系列的第一篇，主要介绍torchvision工具箱及其使用，关于本系列的全文见这里。笔者的运行设备与软件：CPU(AMDRyzen™54600U)+pytorch(1.13，CPU版)+jupyter；本文所用到的资源：链接：https://pan.baidu.com/s/1WgW3IK40Xf_Zci7D_BVLRg提取码：12121.torchvision简介torchvision是基于pytorch的工具箱，主要用来处理图像数据，其内包含一些常用的数据集、模型、图像转换等。torchvision工具箱主要包含以下四大模块：torchvision.m

说明我参考了一个开源的人像语义分割项目mobile_phone_human_matting，这个项目提供了预训练模型，我想要将该模型固化，然后转换格式后在嵌入式端使用。该项目保存模型的代码如下：lastest_out_path="{}/ckpt_lastest.pth".format(self.save_dir_model)torch.save({'epoch':epoch,'state_dict':model.state_dict(),},lastest_out_path)转换代码上面代码保存了state_dict,所以保存的文件中是不含模型结构的，固化时需要从代码构造网络结构。好在项目是完

本文的主要内容是利用pytorch框架与torchvision工具箱，进行准备数据集、构建CNN网络模型、训练模型、保存和加载自定义模型等工作。本文若有疏漏、需更正、改进的地方，望读者予以指正，如果本文对您有一定点帮助，请您给个赞、推荐和关注哦，在此，谢谢大家啦！！！笔者的运行设备与软件：CPU(AMDRyzen™54600U)+pytorch(1.13，CPU版)+jupyter；本文所用到的资源：链接：https://pan.baidu.com/s/1WgW3IK40Xf_Zci7D_BVLRg提取码：12121.torchvision工具箱1.1.torchvision简介torchvi

  在pytorch旋转矩阵转四元数及各种旋转表示方式之间的转换实现代码这篇博客里，我提到可以使用pytorch3d实现批量旋转表示方法之间的转换。但是最近在使用它的matrix_to_quaternion函数的时候，发现了一个隐藏的巨大bug：它不会确保输出的四元数中的那个实数w恒为正。这样就存在一个非常大的隐患，因为我们知道，对四元数中的所有数字同时取负，那么它所表示的旋转是不变的。也就是说，matrix_to_quaternion函数转换获得的四元数本身并没有错，但是它没有限制其中的实数w为正，这样就会在诸如我们需要使用四元数的二范数作为网络loss的时候，埋下巨大的隐患（毕竟如果同一个