以数字域名为网址的网站,网站怎么在移动端推广,如何传图片做网站,网站建设属于什么服务数据增强 transforms.Compose([#xff1a;这表示创建一个转换组合#xff0c;将多个数据转换操作串联在一起 transforms.RandomHorizontalFlip()#xff1a;这个操作是随机水平翻转图像#xff0c;以增加数据的多样性。它以一定的概率随机地水平翻转输入的图像。 transfo…数据增强 transforms.Compose([这表示创建一个转换组合将多个数据转换操作串联在一起 transforms.RandomHorizontalFlip()这个操作是随机水平翻转图像以增加数据的多样性。它以一定的概率随机地水平翻转输入的图像。 transforms.Resize(image_size)这个操作用于将图像调整为指定的大小。image_size 是所需的输出图像大小可以是一个整数或一个 (height, width) 元组。 transforms.CenterCrop(image_size)这个操作用于从图像的中心裁剪出指定大小的区域。同样image_size 可以是一个整数或一个 (height, width) 元组。 transforms.ToTensor()这个操作将图像转换为 PyTorch 张量格式。它会将 PIL 图像或 ndarray 转换为张量并对像素值进行归一化到 [0, 1] 的范围内。 transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])这个操作用于对图像进行标准化。它对张量的每个通道进行归一化处理使得每个通道的均值为 0.485、0.456、0.406标准差为 0.229、0.224、0.225。 Unet下采样两层的卷积relumaxpooling 1.继承nn.model 2.初始化参数输入channel输出channel nn.sequential序列 中写 卷积relu(inplceTrue节省计算资源)卷积Relu 最大池化层缩减为1/2 长宽都减小一般 3.前向传播需要有参数是否做maxpooling Unet上采样卷积、卷积 反卷积 不需要设置outchannel 1.继承nn.model 2.初始化参数只需要输入通道数 nn.sequential序列中写 卷积输入是输出的2倍有contact操作relu ,卷积relu 反卷积的nn.sequential 输出通道数减半保证图片的长宽是原来的2倍和relu函数 3.前向传播卷积卷积 反卷积 Unet的整体结构 encoder先池化后卷积 decoder:卷积卷积反卷积 需要把前面卷积的数据进行融合
#网络
class Downsample(nn.Module):def __init__(self, in_channels, out_channels):super(Downsample, self).__init__()self.conv_relu nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.Conv2d(out_channels, out_channels, kernel_size3, padding1),nn.ReLU(inplaceTrue))self.pool nn.MaxPool2d(kernel_size2)def forward(self, x, is_poolTrue):if is_pool:x self.pool(x)x self.conv_relu(x)return x
class Upsample(nn.Module):def __init__(self, channels):super(Upsample, self).__init__()self.conv_relu nn.Sequential(nn.Conv2d(2*channels, channels, kernel_size3, padding1),nn.ReLU(inplaceTrue),nn.Conv2d(channels, channels, kernel_size3, padding1),nn.ReLU(inplaceTrue))self.upconv_relu nn.Sequential(nn.ConvTranspose2d(channels, channels//2, kernel_size3,stride2,padding1,output_padding1),nn.ReLU(inplaceTrue))def forward(self, x):x self.conv_relu(x)x self.upconv_relu(x)return x
class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.down1 Downsample(3, 64)self.down2 Downsample(64, 128)self.down3 Downsample(128, 256)self.down4 Downsample(256, 512)self.down5 Downsample(512, 1024)self.up nn.Sequential(nn.ConvTranspose2d(1024, 512, kernel_size3,stride2,padding1,output_padding1),nn.ReLU(inplaceTrue))self.up1 Upsample(512)self.up2 Upsample(256)self.up3 Upsample(128)self.conv_2 Downsample(128, 64)self.last nn.Conv2d(64, 2, kernel_size1)def forward(self, x):x1 self.down1(x, is_poolFalse)x2 self.down2(x1)x3 self.down3(x2)x4 self.down4(x3)x5 self.down5(x4)x5 self.up(x5)x5 torch.cat([x4, x5], dim1) # 32*32*1024x5 self.up1(x5) # 64*64*256)x5 torch.cat([x3, x5], dim1) # 64*64*512 x5 self.up2(x5) # 128*128*128x5 torch.cat([x2, x5], dim1) # 128*128*256x5 self.up3(x5) # 256*256*64x5 torch.cat([x1, x5], dim1) # 256*256*128x5 self.conv_2(x5, is_poolFalse) # 256*256*64x5 self.last(x5) # 256*256*3return x5#测试模型
device torch.device(cuda:0 if torch.cuda.is_available() else cpu)
modelNet().to(device)
# x torch.rand([8,3,256,256])
# xx.to(device)
# ymodel(x)
# y.shape
