基于深度学习的图像处理（3）PyTorch

发表于2026-03-04|更新于2026-03-17|基于深度学习的图像处理

|浏览量:

1. 是什么？

PyTorch是一个基于Python语言的深度学习框架。

2. 安装

参考：https://pytorch.org/get-started/locally/ ，需要根据自己的操作系统和GPU选择对应的版本，如果是Nvidia的GPU，可以通过nvidia-smi.exe和nvcc --version查看。

文章尚未完成，待续……

文章作者: 凌虚

文章链接: https://blog.yslingxu.com/2026/03/04/基于深度学习的图像处理/基于深度学习的图像处理（3）PyTorch/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源凌虚的博客！

卷积神经网络深度学习人工智能 AI PyTorch

相关推荐

基于深度学习的图像处理（4）数据集

1. 数据集一个目标检测的深度学习模型，可以接受原始图片的输入，将目标标注后输出。在训练模型时，我们要提供输入和输出，称为学习。而模型训练完后，我们提供输入，由模型自行输出，则称为推理或者泛化。这里的输入和输出就是数据集。巧妇难为无米之炊，由此可见，在深度学习中，数据集扮演着至关重要的角色，其质量会大大影响模型的质量。 2. 数据集集合网站https://paperswithcode.com（该网站已经失效，继任者：https://huggingface.co/ ）网站收录了很多开源代码、数据集和论文。在这里可以看到各个数据集的数据规模、下载次数和Like次数等，由此可以评估各个数据集的受欢迎程度。 3. VOC数据集VOC全称The Pascal Visual Object Classes Challenge，是一个竞赛，从2005年一直举办到2012年，每年一届，是之前比较流行的数据集。2014年之后，COCO数据集则替代了VOC数据集，成为主流的目标检测数据集选择。 VOC的官方网站地址为：https://www.robots.ox.ac.uk/~vgg/proje...

基于深度学习的图像处理（2）卷积神经网络

1. 神经网络神经网络由多个节点互相连接（在大部分网络中，这个连接是有方向的）而构成，这些节点称为神经元，神经元有三种：输入层神经元：携带特征信息，向隐藏层神经元传递隐藏层神经元：接收其他神经元传递过来的信息，结合权值（这个权值就是训练的目标），作为参数由函数（即激活函数）运算，得到结果并传递到后续神经元输出层神经元：接收其他神经元传递过来的信息，整合后输出最终结果，不再向其他神经元传递将数据集的特征经由输入层神经元输入，经过网络计算，最终就会从输出层神经元处得到一个结果。在训练的时候，这个结果会和标签进行比对，通过误差反向传播算法，来修正神经元的权值。在推理的时候，这个结果就是模型推理的结果。 1.1. 神经网络的分类存在三种常见的神经网络：前馈神经网络：网络信息仅向后传播记忆神经网络：网络信息除了向后传播，还可以向自身传播历史数据图神经网络：节点由一个或一组神经元组成，节点之间的连接可以有向，也可以无向，节点可以接收相邻节点或自身的信息 2. 前馈神经网络前馈神经网络具有极强的拟合能力，常见的连续非线性函数都可以用前馈神经网络来近似。 3. 卷积神经网络...

基于深度学习的图像处理（1）深度学习与神经网络

1. 是什么？第一章节主要描述一下神经网络和深度学习的基础概念，即他们是什么？有什么作用？如果要弄清楚神经网络与深度学习是什么，则要从人工智能和机器学习讲起。 2. 人工智能人工智能是由图灵提出的概念，简单的说就是让机器模仿人类交流达到以假乱真的地步，即为人工智能，这需要机器具备理解语言、学习、记忆、推理、决策等能力。人工智能存在两个流派，符号主义（定义符号并进行逻辑操作，可解释）和连接主义（大量简单信息处理单元组成的互联网络，非线性、并行、局部计算，不可解释）。这里的可解释是指从输入到输出，其中的参数含义明确，对结果的影响存在逻辑上的明确关联；连接主义的不可解释性主要来源于其复杂性，其参数动辄上万、百万甚至更多。从目前的实际效果来看，连接主义更占优势，但是也有人在尝试融合这两个流派。 3. 机器学习机器学习是实现人工智能的一种方式（也是目前最优的方式），即从有限的数据中学习出一般性规律，并使用该规律去预测未知数据。一个最简单的例子就是挑西瓜，西瓜的色泽、敲击声音等为特征，西瓜成熟与否为标签，通过一些确定的案例来学习，最终来预测一个未知西瓜是否成熟。这里有限的数据即为样例数...