DeniuHe的博客

在模型规模相似的情况下，普通 CNN 由于参数更少、计算流程更简单（无额外的 KL 散度计算和采样操作），训练速度显著快于贝叶斯 CNN。贝叶斯 CNN 的优势不在于训练效率，而在于其能量化预测的不确定性（例如通过多次采样得到预测分布），并在小样本、数据噪声大的场景下可能具有更好的泛化能力，但这是以更高的计算成本为代价的。

使用的数据集是：Kaggle上的Road Sign Detection数据集。该数据集共有877张图片。因为使用了OpenCV所以各种路径中不能有中文。这个是一定要注意的。在测试集上的分类准确率为：90.34%

inplace=True的核心价值是通过牺牲数据完整性换取内存和计算效率，适用于显存敏感且无需保留输入的场景（如推理或预处理），但在训练阶段需谨慎评估其对梯度流的影响。

代码实现使用了 VGG19 预训练模型作为特征提取器，通过对比学习来判断两张人脸图像是否属于同一人。整个代码分为数据准备、模型构建、训练和测试四个主要部分。上一个帖子记录了基于普通CNN的人脸识别系统。但是，测试准确率实在太低了只有30%。这次使用**孪生网络（Siamese Net）**进行实现。

在PyTorch中，nn.BatchNorm1d(128) 的作用是对（如全连接层的输出或时间序列数据）进行。

这个实现采用了经典的分类方法进行人脸识别，通过训练一个多类分类器，使得同一个人的特征向量在特征空间中接近，不同人的特征向量远离。在实际应用中，还可以进一步改进，例如使用 Triplet Loss 或 ArcFace 等更先进的损失函数来优化特征空间。人脸识别是模式识别和计算机视觉领域的重要研究方向，其目标是从图像或视频中识别出特定个体的身份。如果需要使用这个程序，只需确保数据集路径正确，然后运行代码即可。现代人脸识别技术的突破主要归功于深度卷积神经网络的应用。当相似度超过设定阈值时，判定为同一人。

是 PyTorch 中用于加载图像数据集的实用类，特别适合处理按文件夹组织的图像数据。

"""一个简单的调用GPU的卷积神经网络示例！"""import torchimport torchvisionfrom torchvision import datasetsfrom torchvision import transformsfrom torch.utils.data import DataLoaderbatch_size = 64device = torch.device("cuda:0")class CNN(torch.nn.Module): def.

import torchdevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")print(device)

import osimport torchimport numpy as npfrom copy import deepcopyfrom collections import OrderedDictfrom PIL import Imagefrom sklearn.model_selection import StratifiedKFoldclass FNN_2DLDA(object): def __init__(self, X_train, y_train, labe...

import torchimport numpy as np# ======初始化一个三维矩阵=====A = torch.ones((6,3,3))# ======替换三维矩阵里面的值======A[0] = torch.ones((3,3)) *2A[1] = torch.ones((3,3)) *5A[2] = torch.ones((3,3)) *5A[3] = torch.ones((3,3)) *5A[4] = torch.ones((3,3)) *5A[5] ...

import torchimport torch.nn.functional as Ffrom torch import nnfrom torch.autograd import Variableimport pandas as pdimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scorefrom sklearn....

该论文是对2001年Frank的一篇二分类分解的序分类模型的卷积神经网络的拓展。Frank E, Hall M. A simple approach to ordinal classification[C]//European Conference on Machine Learning. Springer, Berlin, Heidelberg, 2001: 145-156.该二分类分解方法的缺点就是预测类别之间的概率不一致性，有可能出现负概率的问题。但总之不影响模型的预测。对...

import torchimport numpy as npimport pandas as pddef convertLabel(datasetLabel): """ Labels (product ratings) from the dataset are provided to you as floats, taking the values 1.0, 2.0, 3.0, 4.0, or 5.0. You may wish to train with thes.

自定义HingeLoss class MyHingeLoss(torch.nn.Module): # 不要忘记继承Module def __init__(self): super(MyHingeLoss, self).__init__() def forward(self, output, target): """output和target都是1-D张量,换句话说,每个样例的返回是一个标量. """ hing..

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np# data = np.array(pd.read_csv(r"D:\RegressionData\sin.csv"))# x = data[:,0]# y = data[:,-1]# print(.

import torchimport torch.nn.functional as Ffrom torch.autograd import Variableimport matplotlib.pyplot as pltimport pandas as pdimport numpy as np# data = np.array(pd.read_csv(r"D:\RegressionData\sin.csv"))# x = data[:,0]# y = data[:,-1]# print(.