Pytorchに関する最新の質問

0
答える

Pytorchモデルのロードには、呼び出し元ディレクトリでのモデルのインポートが必要です

Project |-models |--simple_model.py |-application |--infer_and_do_something.py |-main.py Project |-models |--simple_model.py |-application |--infer_and_do_something.py |-main.py プロジェクト |-モデル | -simple_model.py |-アプリケーション | -infer_and_do_something.py | -main.py Mainは、プログラムが最初に実行される場所、またはjupyterノートブックとして置き換えることができる場所です。トレーニング済みモデルのロードと使用のすべての実装は、「infer_and_do_something.py」ファイルで行われます。

model pytorch load

0
答える

MBART Tensorflow 2.0モデルを使用する準備はできていますか?

MBARTの事前トレーニング済みモデルを探していますが、ハグフェイスで公開されていることがわかりました。 https://huggingface.co/facebook/mbart-large-cc25#。しかし、pytorchバージョンしかないようです。[モデル内のすべてのファイルを一覧表示する]リンクをクリックすると、pytorchモデルファイルのみが表示されます

transformer tensorflow pytorch huggingface transformers pre trained model

0
答える

CUB-200-2011データセットのロード中にファイルが見つからないか破損しています

import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Cub2011(Dataset): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init__(self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader self.train=train if download: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'images.txt'), sep=' ', names=['img_id', 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep=' ', names=['img_id', 'target']) train_test_split=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'train_test_split.txt'), sep=' ', names=['img_id', 'is_training_img']) data=images.merge(image_class_labels, on='img_id') self.data=data.merge(train_test_split, on='img_id') if self.train: self.data=self.data[self.data.is_training_img==1] else: self.data=self.data[self.data.is_training_img==0] def _download(self): import tarfile download_url(self.url, self.root, self.filename, self.tgz_md5) with tarfile.open(os.path.join(self.root, self.filename),"r:gz") as tar: tar.extractall(path=self.root) def __len__(self): return len(self.data) def __getitem__(self, idx): sample=self.data.iloc[idx] path=os.path.join(self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader(path) if self.transform is not None: img=self.transform(img) return img, target import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Cub2011(Dataset): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' filename='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init__(self, root, train=True, transform=None, loader=default_loader, download=True): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader self.train=train if download: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'images.txt'), sep=' ', names=['img_id', 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'image_class_labels.txt'), sep=' ', names=['img_id', 'target']) train_test_split=pd.read_csv(os.path.join(self.root, 'CUB_200_2011', 'train_test_split.txt'), sep=' ', names=['img_id', 'is_training_img']) data=images.merge(image_class_labels, on='img_id') self.data=data.merge(train_test_split, on='img_id') if self.train: self.data=self.data[self.data.is_training_img==1] else: self.data=self.data[self.data.is_training_img==0] def _download(self): import tarfile download_url(self.url, self.root, self.filename, self.tgz_md5) with tarfile.open(os.path.join(self.root, self.filename),"r:gz") as tar: tar.extractall(path=self.root) def __len__(self): return len(self.data) def __getitem__(self, idx): sample=self.data.iloc[idx] path=os.path.join(self.root, self.base_folder, sample.filepath) target=sample.target -1 img=self.loader(path) if self.transform is not None: img=self.transform(img) return img, target import os パンダをpdとしてインポートする numpyをnpとしてインポート torchvision.datasets.folderからimportdefault_loader torchvision.datasets.utilsからimportdownload_url torch.utils.dataからインポートデータセット クラスCub2011(データセット): base_folder='CUB_200_2011/images' url='http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz' ファイル名='CUB_200_2011.tgz' tgz_md5='97eceeb196236b17998738112f37df78' def __init __(self、root、train=True、transform=None、loader=default_loader、download=True): self.root=os.path.expanduser(root) self.transform=変換 self.loader=default_loader self.train=train ダウンロードする場合: self._download() def _load_metadata(self): images=pd.read_csv(os.path.join(self.root、 'CUB_200_2011'、 'images.txt')、sep=''、 names=['img_id'、 'filepath']) image_class_labels=pd.read_csv(os.path.join(self.root、 'CUB_200_2011'、 'image_class_labels.txt')、 sep=''、names=['img_id'、 'target']) train_test_split=pd.read_csv(os.path.join(self.root、 'CUB_200_2011'、 'train_test_split.txt')、 sep=''、names=['img_id'、 'is_training_img']) data=images.merge(image_class_labels、on='img_id') self.data=data.merge(train_test_split、on='img_id') self.trainの場合: self.data=self.data[self.data.is_training_img==1] そうしないと: self.data=self.data[self.data.is_training_img==0] def _download(self): tarfileをインポートする download_url(self.url、self.root、self.filename、self.tgz_md5) tarfile.open(os.path.join(self.root、self.filename)、"r:gz")をtarとして使用: tar.extractall(path=self.root) def __len __(self): len(self.data)を返します def __getitem __(self、idx): サンプル=self.data.iloc[idx] パス=os.path.join(self.root、self.base_folder、sample.filepath) target=sample.target-1 img=self.loader(path) self.transformがNoneでない場合: img=self.transform(img) img、targetを返す 上記のコードでCUB-200-2011データセットを読み込んでみました

machine learning computer vision deep learning pytorch torchvision

0
答える

PyTorchのカスタムアクティベーション関数-予測を修正

ATAG-0を読みました|カスタム活性化関数についてですが、それでもコードを実装できません。私の活性化関数は、既存のPyTorch関数の組み合わせとして表現でき、function_pytorch(prediction, Q_sample)で正常に機能します。[Q_samplesは、私が必要とするいくつかの変数であり、勾配は必要ありません。 ]

pytorch activation function neural network

1
答える

トーチのdefault_loaderの機能は何ですか?

import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Sample_Class(Dataset): def __init__(self,root,train=True,transform=None,loader=default_loader): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader import os import pandas as pd import numpy as np from torchvision.datasets.folder import default_loader from torchvision.datasets.utils import download_url from torch.utils.data import Dataset class Sample_Class(Dataset): def __init__(self,root,train=True,transform=None,loader=default_loader): self.root=os.path.expanduser(root) self.transform=transform self.loader=default_loader OSのインポート パンダをpdとしてインポートする numpyをnpとしてインポート torchvision.datasets.folderからimportdefault_loader torchvision.datasets.utilsからimportdownload_url torch.utils.dataからインポートデータセット クラスSample_Class(データセット): def __init __(self、root、train=True、transform=None、loader=default_loader): self.root=os.path.expanduser(root) self.transform=変換 self.loader=default_loader 上記のコードスニペットでは、loader=default_loaderの重要性は何ですか、それは正確には何をしますか?

dataloader pytorch dataset

0
答える

最初のエポック後のトレーニングエラーの大幅な低下

8つの特徴(0から1の間の浮動小数点数)で構成される入力を再作成するようにLSTMオートエンコーダーをトレーニングしています。現在、ウィンドウサイズ2を使用しており、50エポックのモデルをトレーニングしています。ただし、ネットワークのトレーニング中に、トレーニングエラー(平均二乗誤差)が最初のエポック後に大幅に低下することを確認しました。たとえば、最初のエポックでは、トレーニングエラーは17.25でした。次の時点で1.8に低下し、7番目のエポックの後に停滞します。重みのランダムな初期化がこれを引き起こしているのではないかと思っていたので、もう1つのネットワークを再トレーニングし、同じ現象を繰り返しました。

pytorch lstm machine learning autoencoder

1
答える

PyTorchに画像を読み込んでいます

私はPyTorchを初めて使用し、GANモデルに取り組んでいます。画像データセットをロードしたい。 Kerasを使用して行う方法は次のとおりです。

pytorch

0
答える

Pytorchモデルは99%の検証精度でトレーニングされていますが、予測中に1つのクラスのみが予測されます

facenet-pytorchライブラリからエンドツーエンドの顔認識システムを構築し始めましたが、予測部分に問題があります。トレーニングプロセスが99%の検証精度で実行された後、モデルはトレーニングデータ自体を誤って分類し、1つのクラス(Garry_Marshall)に完全にバイアスされます。どのような画像を撮っても、そのクラスだけが表示されます。コード(コーラブ)のリンクを以下に示します。他の情報が必要な場合は、お問い合わせください。問題のコードは、「顔の分類」という見出しの下の部分です。

deep learning pytorch python face recognition

0
答える

適合率と再現率は、resnet実装pytorchでも同じです

sklearn.metricsのaccuracy_scoreとrecall_scoreを使用してスコアを計算しましたが、どのエポックであっても、CIFAR100データセットの精度と再現率の両方が同じ値として表示されます。 Pytorchに実装しようとしています。関数に渡すサンプルy_pred、y_trueはCADE-0のようになります|およびy_true=[11, 12, 53, ..... 13, 78, 17]。どこが間違っているのか提案できますか?

cnn pytorch deep learning resnet scikit learn

1
答える

推論中のバッチサイズの増加

GPUを使用する場合、バッチあたりの推論時間はバッチサイズに依存しないと信じていましたが、この最小限の例から、これは正しくないように思われることがわかります。

pytorch gpu

ホットタグ

© 2021   KonnichiwaSekai.Com