PyTorch深度学习实战 |手算FCN全卷积神经网络
本文介绍了FCN-8s语义分割网络的实现细节。首先解释了语义分割的概念及其与图像分类的区别，重点分析了FCN网络结构中的全卷积化、上采样和跳跃连接三个关键技术。全卷积化将传统CNN的全连接层改为卷积层，实现像素级分类；上采样通过双线性插值恢复特征图尺寸；跳跃连接则融合高低层特征以提升细节表现。文章详细推导了损失函数的计算过程，并提供了完整的PyTorch实现代码，包括双线性插值权重初始化、VGG16骨干网络和FCN-8s主体结构。最后通过测试验证了模型能正确输出与输入尺寸匹配的预测结果。
PyTorch深度学习实战 |基于Alexnet网络预训练模型完成训练花分类任务实战
本文介绍了使用AlexNet模型进行花卉图像分类的实战过程。首先讲解了数据集的准备方法，包括5类花卉数据（雏菊、蒲公英等）的8:2训练集/验证集划分。详细解析了AlexNet的网络结构（5个卷积层+3个全连接层）及其创新点，如ReLU激活函数和Dropout正则化。提供了完整的PyTorch实现代码，包括模型定义、数据增强和训练流程。实验结果表明，50轮训练后验证集准确率可达80%。文章还介绍了使用预训练模型进行迁移学习的方法，通过修改分类器层并微调参数，可以显著提升训练效率和分类效果。整个项目从数据准备到
PyTorch深度学习实战 |从深度学习入门到项目化的任务（以Alexnet网络花分类任务为例）
本文介绍了PyTorch深度学习实战中的项目化开发方法。作者指出实际项目与玩具数据集的不同之处，强调需要考虑数据标准化、模型保存和实验追踪等工程问题。文章详细讲解了项目化文件结构，包括configs、models、utils等模块的划分，并提供了关键工具函数的实现，如YAML配置加载、模型检查点保存/加载、评估指标计算等。通过一个AlexNet训练示例，展示了如何将模型训练、验证和预测逻辑分离，构建完整的工程闭环。文章强调深度学习实战中80%时间在处理工程问题，只有20%在模型架构上，帮助读者从学习阶段过渡
基于PyTorch的EfficientDet进行水下目标检测 水下目标检测
项目概述：基于PyTorch的EfficientDet进行水下目标检测
在这个项目中，我们将通过实际比赛数据集演示如何训练最近开源的相对最先进的PyTorch版EfficientDet模型。本教程将涵盖从数据准备到模型训练、评估以及推断的全过程。值得注意的是，在本次实验中，我们没有采用任何数据增强技术或模型融合等后处理方法来提升模型精度；同样地，我们也未使用如UWGAN_UIE、水质迁移（WQT）、DG-YOLO或其他去雾算法对水下图像进行预处理。尽管这些技巧可能有助于提高识别准确率，但我们希望保持基础框架的纯粹性以专注于模型本身的性能。
1. 数据来源
我们的数据来自于科赛网举办的一次水下
PyTorch深度学习实战 |常见层 layer结构的实现和代码实战
本文介绍了PyTorch中常见的7种神经网络层结构及其输入输出逻辑。通过代码示例演示了全连接层(nn.Linear)、卷积层(nn.Conv2d)、LSTM层、GCN图卷积层和Transformer层的使用方法，重点讲解了各层的输入输出维度变换规则。文章以一张海绵宝宝图片为例，详细展示了图像数据的预处理流程，包括使用PIL和OpenCV两种方法读取图片并转换为PyTorch张量的过程。通过"代码+实战"的方式帮助读者理解神经网络层如何对特征进行维度变换，最终实现从原始输入到目标输出的映射
PyTorch深度学习实战 |Alexnet网络花分类任务项目版本
本文介绍了基于PyTorch的花卉分类实战项目，包含完整的项目架构和代码实现。项目采用AlexNet网络结构，通过YAML配置文件管理参数，实现了模块化开发。文章详细讲解了数据集处理（5类花卉）、模型训练（包含早停机制和学习率调度）、验证评估和预测功能。项目采用YOLOv5风格的目录结构，包含configs、models、utils等模块，支持命令行参数配置。实验结果显示该架构比简单实现准确率提升4%，最终预测功能可输出top-k分类结果及置信度。完整代码已开源，适合深度学习初学者进阶学习。
PyTorch深度学习实战 |手算GCN (图神经网络)模型
本文介绍了使用PyTorch实现图神经网络(GNN)处理分子结构数据的实战方法。主要内容包括：1) GNN的基本原理，通过节点特征矩阵和邻接矩阵处理图结构数据；2) 分子图的表示方式，将SMILES字符串转换为PyTorch Geometric图对象；3) 图卷积运算过程，包括特征变换和邻接特征聚合；4) 代码实现示例，构建包含GCN层和全局池化的模型，对乙醇分子进行特征提取和分类预测。文章通过具体案例展示了GNN在化学领域的应用，为读者提供了从理论到实践的完整指导。
PyTorch深度学习实战 |词嵌入和位置编码
本文介绍了PyTorch中词嵌入(Embedding)和位置编码(Positional Encoding)的实现与应用。词嵌入通过Word2Vec、GloVe等技术将单词转换为连续向量，其中使用nn.Embedding层加载预训练词向量，并展示如何可视化词向量间的语义关系(如"king-man≈queen-woman")。位置编码部分详细解释了如何通过正弦/余弦函数为词向量添加位置信息，包含公式推导和代码实现(PositionalEncoding类)。文章提供了完整的PyTorch代码示
