序言 工欲善其事必先利其器

序言 工欲善其事必先利其器

目录

• 系列介绍

  • 前置知识

  • 开发平台

    • 本地配置

    • 服务器端

  • 项目文件参考位置

• 预备知识介绍

  • 网络结构

  • 数据集结构

系列介绍

目前的打算如下：

第一卷：图像分类网络介绍与实现。

第二卷：语义分割网络介绍与实现。

第三卷：目标检测网络介绍与实现。

第四卷：超分辨网络介绍与实现。

可能后续也会对其他算法也展开复现，不过目前就先从视觉相关的四个方向入手了。本人在深度学习方向也是刚起步不远，如有问题希望大家能及时纠正。同时也希望有更有的有志之士可以互相探讨。

前置知识

在这个系列中，将直接从网络开始复现，所以需要部分前置的知识需要大家自己学习，我在这边进行了一些整理。

1. 高等数学 【尤其是其中求导与微分等相关知识】

2. 线性代数

3. python3的编程相关知识

4. python3第三方库 numpy

5. python3 第三方库 opencv

6. python3 第三方库 paddle2.2以上

从我推荐的列表中大家可以看到，该系列是采用Paddle框架进行的复现，Paddle框架语法与pytorch相近，且在百度飞桨平台有免费的GPU资源可以使用【基本上用不完】。对于一穷二白的我来说再适合不过了。

开发平台

开发方式采用本地调试，服务器运行的方式，这里对双方都进行简单的介绍。

本地配置

CPU: Intel i7

GPU: 无

开发环境: Pycharm2021

深度学习框架: PaddlePaddle2.3.0 【CPU版】

服务器端

百度飞桨Aistudio服务器

显卡：Tesla V100 → TeslaA100

项目文件参考位置

后续参考文件将分别从代码、视频、博客三个方向做分享:

代码托管平台: GitHub、Gitee

视频分享平台: B站

博客分享平台: CSDN、知乎

预备知识介绍

在本节中，将对一些预备知识进行预热，方便后续代码实现时大家可以清晰代码设计思路。该部分代码将在在后续中简要介绍，并随时间推移后，仅作展示不再赘述。

网络结构

首先介绍网络结构的构建。在paddle中，构建网络类继承自nn.Layer，其函数名与方法大致与Pytorch相近，故我在前期学习时，通常会将论文、Pytorch代码相互参考学习，最后通过Paddle构建出来。其中Paddle的网络类主要构成如下所示：

import paddle
import paddle.nn as nn


class Network(nn.Layer):
    def __init__(self, in_channels, out_channels, ...):
        super(BasicBlock, self).__init__()
        """
        具体每层网络的声明，用作forword计算。
        """

    def forward(self, x):
        """
        按照参数传递顺序组合声明的网络类
        """
        return x

数据集结构

该系列数据集将采用ImageNet1K其中的100类作为训练集，作为备用的数据集还有Caltech256。

数据集的构建方式如下：

import paddle
import paddle.io as io


class ClassData(io.Dataset):
    def __init__(self, parameters, num_classes):
        super(ClassData, self).__init__()
        """
        初始化数据及参数，一般用作数据集列表的加载等
        """

    def __getitem__(self, idx):
        """
        idx为图片序号，其值不会大于__len()__的结果。通过__init__生成的列表获取图片
        与标签并经过预处理后输出参与训练
        """
        return image, label

    def __len__(self):
        """
        用作统计数据个数，防止__gititem__超限。
        """
        return None

文章索引

暂无