第J3周：DenseNet121算法实现01（Pytorch版）
- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者：K同学啊
目标
具体实现
（一）环境
语言环境：Python 3.10
编 译 器: PyCharm
框 架: Pytorch
（二）具体步骤
1. DenseNet121.py
import torch
import torch.nn as nn
import torch.nn.functional as F
import math # 实现DenseLayer（密集连接层）
class DenseLayer(nn.Module): def __init__(self, num_input_features, growth_rate, bn_size, drop_rate): super(DenseLayer, self).__init__() # BN -> ReLU -> Conv(1x1) -> BN -> ReLU -> Conv(3x3) self.norm1 = nn.BatchNorm2d(num_input_features) # 第一个批归一化层 self.relu1 = nn.ReLU(inplace=True) # 第一个ReLU激活函数 self.conv1 = nn.Conv2d(num_input_features, bn_size * growth_rate, kernel_size=1, stride=1, bias=False) # 1x1卷积层 self.norm2 = nn.BatchNorm2d(bn_size * growth_rate) # 第二个批归一化层 self.relu2 = nn.ReLU(inplace=True) # 第二个ReLU激活函数 self.conv2 = nn.Conv2d(bn_size * growth_rate, growth_rate, kernel_size=3, stride=1, padding=1, bias=False) # 3x3卷积层 self.drop_rate = drop_rate # Dropout率 def forward(self, x): # 保存输入特征，用于后续的密集连接 new_features = self.norm1(x) new_features = self.relu1(new_features) new_features = self.conv1(new_features) new_features = self.norm2(new_features) new_features = self.relu2(new_features) new_features = self.conv2(new_features) # 如果设置了dropout，则应用dropout if self.drop_rate > 0: new_features = F.dropout(new_features, p=self.drop_rate, training=self.training) # 将新特征与输入特征进行拼接，实现密集连接 return torch.cat([x, new_features], 1) # 实现DenseBlock（密集块）
class DenseBlock(nn.Module): def __init__(self, num_layers, num_input_features, bn_size, growth_rate, drop_rate): super(DenseBlock, self).__init__() # 创建指定数量的DenseLayer，每一层的输入特征数量都会增加 self.layers = nn.ModuleList() for i in range(num_layers): layer = DenseLayer( num_input_features + i * growth_rate, growth_rate=growth_rate, bn_size=bn_size, drop_rate=drop_rate ) self.layers.append(layer) def forward(self, x): # 依次通过所有的DenseLayer features = x for layer in self.layers: features = layer(features) return features # 实现TransitionLayer（过渡层）
class TransitionLayer(nn.Module): def __init__(self, num_input_features, num_output_features): super(TransitionLayer, self).__init__() # BN -> Conv(1x1) -> AvgPool(2x2) self.norm = nn.BatchNorm2d(num_input_features) # 批归一化层 self.relu = nn.ReLU(inplace=True) # ReLU激活函数 self.conv = nn.Conv2d(num_input_features, num_output_features, kernel_size=1, stride=1, bias=False) # 1x1卷积层 self.pool = nn.AvgPool2d(kernel_size=2, stride=2) # 平均池化层 def forward(self, x): x = self.norm(x) x = self.relu(x) x = self.conv(x) x = self.pool(x) return x # 实现完整的DenseNet121模型
class DenseNet121(nn.Module): def __init__(self, growth_rate=32, block_config=(6, 12, 24, 16), num_init_features=64, bn_size=4, drop_rate=0, num_classes=1000): super(DenseNet121, self).__init__() # 首先是一个7x7的卷积层，步长为2 self.features = nn.Sequential() self.features.add_module('conv0', nn.Conv2d(3, num_init_features, kernel_size=7, stride=2, padding=3, bias=False)) # 初始卷积层 self.features.add_module('norm0', nn.BatchNorm2d(num_init_features)) # 批归一化层 self.features.add_module('relu0', nn.ReLU(inplace=True)) # ReLU激活函数 self.features.add_module('pool0', nn.MaxPool2d(kernel_size=3, stride=2, padding=1)) # 最大池化层 # 依次添加DenseBlock和TransitionLayer num_features = num_init_features for i, num_layers in enumerate(block_config): # 添加DenseBlock block = DenseBlock( num_layers=num_layers, num_input_features=num_features, bn_size=bn_size, growth_rate=growth_rate, drop_rate=drop_rate ) self.features.add_module(f'denseblock{i + 1}', block) num_features = num_features + num_layers * growth_rate # 如果不是最后一个block，则添加TransitionLayer if i != len(block_config) - 1: # 过渡层将特征图数量减半 trans = TransitionLayer( num_input_features=num_features, num_output_features=num_features // 2 ) self.features.add_module(f'transition{i + 1}', trans) num_features = num_features // 2 # 最后添加一个BatchNorm self.features.add_module('norm5', nn.BatchNorm2d(num_features)) # 最终的批归一化层 # 全局平均池化和分类器 self.classifier = nn.Linear(num_features, num_classes) # 全连接分类器 # 初始化权重 for m in self.modules(): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight) # 使用Kaiming初始化卷积层权重 elif isinstance(m, nn.BatchNorm2d): nn.init.constant_(m.weight, 1) # 初始化批归一化层的权重为1 nn.init.constant_(m.bias, 0) # 初始化批归一化层的偏置为0 elif isinstance(m, nn.Linear): nn.init.constant_(m.bias, 0) # 初始化全连接层的偏置为0 def forward(self, x): features = self.features(x) # 提取特征 out = F.relu(features, inplace=True) # 应用ReLU激活函数 out = F.adaptive_avg_pool2d(out, (1, 1)) # 全局平均池化 out = torch.flatten(out, 1) # 展平特征 out = self.classifier(out) # 分类 return out # 创建DenseNet121模型实例
def create_densenet121(num_classes=1000, pretrained=False): model = DenseNet121(num_classes=num_classes) return model # 使用示例
if __name__ == "__main__": # 创建模型 model = create_densenet121() print(model) # 创建随机输入张量 (batch_size, channels, height, width) x = torch.randn(1, 3, 224, 224) # 前向传播 output = model(x) print(f"Input shape: {x.shape}") print(f"Output shape: {output.shape}")
相关文章：
第J3周：DenseNet121算法实现01（Pytorch版）
🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者：K同学啊 目标 具体实现 （一）环境 语言环境：Python 3.10 编 译 器: PyCharm 框 架: Pytorch （二）具体步骤…...
在Ubuntu20.04上交叉编译能在Windows上运行的Qt5应用
参考链接： https://blog.csdn.net/Interview_TC/article/details/146050419 https://bugreports.qt.io/browse/QTBUG-82592 重要设置 sudo update-alternatives --config x86_64-w64-mingw32-g 选择后缀带posix的，（/usr/bin/x86_64-w64-min…...
C语言中，memmove和memcpy的区别？
文章目录 1. 内存重叠处理memcpy：memmove： 2. 性能差异总结 在C语言中，memmove和memcpy均用于内存块的复制，但关键区别在于对内存重叠的处理： 1. 内存重叠处理 memcpy： 假设源（src࿰…...
小程序API —— 54 路由与通信 - 编程式导航
在小程序中实现页面的跳转，有两种方式： 声明式导航：navigator 组件编程式导航：使用小程序提供的 API 编程式导航 API 提供了五个常用的 API 方法： wx.navigateTo()：保留当前页面，跳转到应用内…...
2025 使用docker部署centos7容器并且需要centos7容器能通过ssh登录SSH 登录的CentOS7容器
以下是使用 Docker 部署可 SSH 登录的 CentOS7 容器的步骤： 1.创建 Dockerfile（保存为 Dockerfile.centos7）： vim Dockerfile.centos7 #复制如下内容 FROM centos:7# 备份原有的 yum 源配置文件 RUN mv /etc/yum.repos.d/CentO…...
docker安装向量数据库Milvus及可视化工具 Attu
前置条件 1.安装了docker 2.服务器网络正常，可以连接到容器下载地址 3.服务器磁盘空间正常，docker磁盘占用过大，请参考docker容量占用过大解决办法 一、下载yml文件 可在文章资源下载或者自行下载：下载yml 下载这个单机版本的…...
从模拟到现实：Sensodrive高精度力反馈技术赋能物流运输的高效与安全
在现代物流行业中，司机短缺、二氧化碳排放增加和利润空间紧张等问题日益凸显。为应对这些挑战，Sensodrive的SensoWheel和SensoPedals产品在自驾卡车中的应用，提供了更为高效的运输解决方案，有效缓解了这些问题。 Fernride公司利用…...
无需qt-creator,使用Trae从0到1生成qt的开发、构建、调试环境
一、安装 Qt 开发环境 确保已经安装了 Qt，没有安装的可以自己在网上搜索怎么安装，安装时可选择不安装qt creator，但是qt开发库和编译器要安装，这里我选择的编译器是MinGW， 安装好以后，记录下qt开发库和Min…...
整理和总结微信小程序的高频知识点
前言 近期萌生了一些想法，感觉可以做一个小程序作为产出。 但小程序做得比较少，因此边做边复习。整理和总结了一些高频知识点和大家一起分享。 一、模板和组件 1.1模板（Template） 优势 简单灵活：模板定义和使用都较…...
VMware主机换到高配电脑，高版本系统的问题
原来主机是i3 ,windows7系统，vmware 14.0,虚机系统是ubuntu 14.04。目标新机是i7 14700KF,windows11系统。原以为安装虚拟机，将磁盘文件，虚拟机配置文件拷贝过去可以直接用。 新目标主机先安装了vmware 15，运行原理虚机࿰…...
“锈化”Python：用Rust重塑Python生态的六大工具深度解析
前言：为何“锈化”Python？ Python以其简洁的语法和强大的生态系统成为数据科学、Web开发和自动化领域的首选语言。然而，随着项目规模和性能需求的增长，Python的一些传统工具在速度、内存效率和安全性上面临瓶颈。近年来ÿ…...
6.3考研408数据结构中BFS与DFS的易错点及难点解析
一、广度优先算法（BFS）易错点 队列操作失误 未正确处理节点入队顺序（如未按层序逐层扩展），导致结果混乱。在出队后未立即标记节点为已访问，可能引发重复访问（尤其在存在环的图中）。示…...
在Ubuntu上安装MEAN Stack的4个步骤
在Ubuntu上安装MEAN Stack的4个步骤为：1.安装MEAN；2.安装MongoDB；3.安装NodeJS，Git和NPM；4.安装剩余的依赖项。 什么是MEAN Stack？ 平均堆栈一直在很大程度上升高为基于稳健的基于JavaScript的开发堆栈。…...
如何通过Odoo 18创建与配置服务器操作
如何通过Odoo 18创建与配置服务器操作 服务器操作是Odoo实现业务流程自动化的核心工具，允许你在服务器端执行自动化任务，通常由按钮点击或自动化工作流等事件触发。这些操作使用 Python 编写，能够执行复杂的业务逻辑，从而增强 Od…...
【QGIS_Python】在QGIS的Python控制台生成SHP格式点数据并显示标注
参考文章： 「GIS教程」使用DeepSeek辅助QGIS快速制图 | 麻辣GIS 示例代码说明：使用参考文章中的省会城市坐标点，左侧增加一列城市序号code, 图层标注显示 code 城市名称，同时在指定路径下生成对应SHP格式点数据。 import os fr…...
torcharrow gflags版本问题
问题描述 其实仍然是很简单的编译问题，但是又弄了一整个下午加几乎整个晚上，进度缓慢，又吸取了教训，因而还是来记录一下。 在试图使用torcharrow进行推荐系统模拟的时候，撰写的python程序报错：ERROR: flag…...
Spring IoC DI入门
一、Spring，Spring Boot和Spring MVC的联系及区别 Spring是另外两个框架的基础，是Java生态系统的核心框架，而SpringMVC是Spring 的子模块，专注于 Web 层开发，基于 MVC 设计模式（模型-视图-控制器ÿ…...
Vala编程语言教程-语言元素
语言元素 方法 在Vala中，函数无论是否定义在类内部均称为方法。下文将统一使用“方法”这一术语。 int method_name(int arg1, Object arg2) {return 1; } 此代码定义了一个名为 method_name 的方法，接受两个参数（一个整数值，一…...
数据可信安全流通实战，隐语开源社区Meetup武汉站开放报名
隐语开源社区 Meetup 系列再出发！2025 年将以武汉为始发站，聚焦"技术赋能场景驱动"，希望将先进技术深度融入数据要素流转的各个环节，推动其在实际应用场景中落地生根，助力释放数据要素的最大潜能！…...
windows 10 系统配置Node
目录 什么是Node.js 什么是Npm Node.js环境搭建 下载 解压 配置环境变量 npm配置 如何运行下载的Node.js项目 什么是Node.js 在 Node.js 之前，JavaScript 只能运行在浏览器中，作为网页脚本使用，为网页添加一些特效，或者和…...
2025年Postman的五大替代工具
虽然Postman是一个广泛使用的API测试工具，但许多用户在使用过程中会遇到各种限制和不便。因此，可能需要探索替代解决方案。本文介绍了10款强大的替代工具，它们能够有效替代Postman，成为你API测试工具箱的一部分。 什么是Postman&…...
城市街拍人像自拍电影风格Lr调色教程，手机滤镜PS+Lightroom预设下载！
调色教程 城市街拍人像自拍的电影风格 Lr 调色，是利用 Adobe Lightroom 软件，对在城市街景中拍摄的人像自拍照片进行后期处理，使其呈现出电影画面般独特的视觉质感与艺术氛围。通过一系列调色操作，改变照片的色彩、明暗、对比等元…...
HTML图像标签的详细介绍
1. 常用图像格式 格式特点适用场景JPEG有损压缩，文件小，不支持透明适合照片、复杂图像PNG无损压缩，支持透明（Alpha通道）适合图标、需要透明背景的图片GIF支持动画，最多256色简单动画、低色彩图标WebP谷歌开…...
C++进阶——红黑树的实现
目录 1、红黑树的概念 1.1 红黑树的定义 1.2 红黑树的规则 1.3 为什么没有一条路径会比其他路径长出两倍 1.4 红黑树的性能 2、红黑树的实现 2.1 红黑树的结构 2.2 红黑树的插入 2.2.1 红黑树插入一个值的大概过程 2.2.2 情况1：变色 2.2.3 情况2ÿ…...
的验证)
Linux 文件操作-标准IO函数1-文件指针、文件缓冲区(行缓冲、全缓冲、无缓冲)的验证
目录 1.文件指针 2.文件缓冲区 2.1 行缓冲 2.2. 全缓冲 2.3. 无缓冲 3. 程序验证： （1）main.c执行test1(),打印hello world，不加 \n 换行符 （2）刷新缓冲区方法1：使用\n （3&am…...
中国历史文化名城分布矢量数据
中国，这片古老而厚重的土地，承载着上下五千年的文明，从北国的冰天雪地到南疆的热带雨林，从东海之滨的波涛汹涌到西域大漠的风沙漫天，无数的历史文化名城如繁星般散布其间。 它们是岁月长河中沉淀下来的瑰宝࿰…...
蓝桥杯十天冲刺-day1（日期问题）
日期问题 基础循环遍历模板 对于蓝桥杯所有的日期问题遍历，都可以使用的上 for(year2000;year<2022;year) for(month1;month<12;month) for(day1;day<31;day) {if(month1||month3||month5||month7||month8||month10||month12);else if(month2){if((year…...
漏洞知识点《Tornado框架中RequestHandler的对象》
Tornado框架中RequestHandler的所有对象 [SUPPORTED_METHODS, _INVALID_HEADER_CHAR_RE, __class__, __delattr__, __dict__, __dir__, __doc__, __eq__, __format__, __ge__, __getattribute__, __gt__, __hash__, __init__, __init_subclass__, __le__, __lt__, __module__,…...
动态规划（6.不同路径II）
题目链接：63. 不同路径 II - 力扣（LeetCode） 解法： 本题为不同路径的变型，只不过有些地方有「障碍物」，只要在「状态转移」上稍加修改就可解决。 状态表示： 对于这种Γ路径类」的问题…...
【算法学习】最小公倍数问题
前言： 求最小公倍数的两种算法： 求两个正整数的最小公倍数，比如3和5的最小公倍数是15，6和8的最小公倍数是24。 本片讨论如何求两个数的最小公倍数，第一种方法是通过最大公约数来求，第二种方法是累加法。 由…...
Spring Boot 整合 Apache Flink 教程
精心整理了最新的面试资料和简历模板，有需要的可以自行获取 点击前往百度网盘获取 点击前往夸克网盘获取 Spring Boot 整合 Apache Flink 教程 一、背景与目标 Apache Flink 是一个高性能的分布式流处理框架，而Spring Boot提供了快速构建企业级应用的…...
进制转换（R转十）（1290. 二进制转换十进制、1292. 十六进制转十进制、1291. 八进制转十进制、1405. 小丽找潜在的素数）
题单地址：题单中心-东方博宜OJ 这里以二进制转十进制为例（按位加权求和法） 1290. 二进制转换十进制 问题描述 请将一个 25 位以内的 2 进制正整数转换为 1010 进制！ 输入 一个 25 位以内的二进制正整数。 输出 该数对应的…...
通过启用Ranger插件的Hive审计日志同步到Doris做分析
以下是基于Apache Doris的Ranger Hive审计日志同步方案详细步骤，结合审计日志插件与数据导入策略实现： 一、Doris环境准备 1. 创建审计日志库表 参考搜索结果的表结构设计，根据Ranger日志字段调整建表语句： CREATE DATABASE IF…...
Node.js框架Express、Koa、Koa2、Egg 和 NestJS 的对比分析
以下是 Express、Koa、Koa2、Egg 和 NestJS 的对比分析，从多个维度梳理它们的区别和适用场景： 1. 历史背景与定位 框架背景与定位ExpressNode.js 早期框架，灵活轻量，生态丰富，适合快速开发简单应用。KoaExpress 原班团…...
蓝桥杯--冲刺题单--随时更新
冲刺题单 感谢up主溶金落梧桐（uid:40733116），我是看了他的视频后总结的。 简单模拟（循环数组日期进制） 1.蓝桥19723–分布式队列 package datasimulation;import java.util.Scanner;public class Test3 {//计算数组…...
新一代电子数据取证专家 | 苏州龙信信息科技有限公司
本文关键词：电子取证、手机取证、计算机取证、云取证 关于我们About us 苏州龙信信息科技有限公司专注于电子数据取证、大数据、信息安全等领域，核心业务主要涵盖取证工具研发、大数据融合分析、案件技术支持、取证能力培训等，先后为执法部门…...
SSRF 攻击与防御：从原理到落地实践
1. 什么是 SSRF？ SSRF（Server-Side Request Forgery） 是一种常见的Web安全漏洞。当服务器提供了某种对外请求的功能，如“URL 参数直接转发请求”，攻击者就可以通过精心构造的URL，让服务器“自己”去访问特…...
socks 协议介绍
SOCKS协议详解 一、基本定义与核心功能 SOCKS（Socket Secure）是一种网络传输协议，主要用于通过代理服务器转发客户端与目标服务器之间的通信请求。其核心功能包括隐藏用户真实IP地址、穿透防火墙限制以及支持多种网络协议（如TCP…...
不使用负压电源，ADC如何测量正负压？
电路图来自ZLinear的开源数据采集板卡DL8884_RFN，是一个比较常见的电压偏置采集法 对电路进行分析，所以说可以先看下采集卡的模拟输入部分的参数如下： 通道数量: 8通道单端输入/4通道差分输入 分辨率: 16位逐次逼近型(SAR) ADC 采样速率: 40…...
服务的拆分数据的迁移
参考： 数据迁移调研...
强推 Maven多镜像源快速切换工具，GUI操作超便捷
引言 在开发过程中，配置Maven的settings.xml文件以优化依赖下载速度是一个常见的需求。然而，手动编辑XML文件不仅繁琐，还容易出错。本文将介绍如何使用Python和Tkinter构建一个图形界面工具，帮助开发者快速、安全地切换Maven镜像…...
Qt6.8实现麦克风音频输入音频采集保存wav文件
一.本文目的 实现在Qt中接收麦克风数据并保存为WAV文件，使用QAudioInput来录音，并使用QFile来保存数据到WAV文件。 开发环境：QT6.8 本文用极简代码实现，核心代码只需不到100行。 二.代码实现...
自动驾驶AEB误触发率评估的必要测试里程估计
文章目录 一 问题背景与行业挑战二 数学建模框架2.1 基础假设2.2 贝叶斯推断流程先验分布选择: 使用 Γ \Gamma Γ分布作为 λ \lambda λ的共轭先验参数 α 0 \alpha_0 α0和 β 0 \beta_0 β0的工程物理意义可靠性判断条件 三 数值求解方法1. 无信息先验场景 ( α 0 1 ,…...
python3 -m http.sever 8080加载不了解决办法
解决方法很多，本文设置各种处理方法，逻辑上需要根据你的自身情况选择 我会告诉你遇到这种问题怎么做，根据具体症状处理 如需转载，标记出处 背景： 1。如图 2.。域名访问不了 http://www.meiduo.site:8080/register.html 上面的域名访问不了，下面的倒是正常 http://127…...
BYU-YOLO数据格式准备
BYU - Locating Bacterial Flagellar Motors 2025（在3D断层扫描图像中定位细菌鞭毛马达） 一、数据介绍 1.竞赛介绍 在本次竞赛中，您的任务是在3D断层扫描图像中找到鞭毛马达的中心位置。断层扫描图像是物体的三维体积表示。每个断层扫描图像作为一个独立的目录提供，其中…...
java NIO中的FileSystems工具类可以读取本地文件系统，ZIP/JAR等，无需解压处理，还可以复制文件
在Java NIO（java.nio.file包）中，FileSystems 是一个工具类，用于操作和管理文件系统。它提供了静态方法来获取或创建文件系统实例，并支持自定义文件系统实现。以下是其核心功能和用法： 1. 核心功能 (1) 获取…...
群体智能优化算法-模拟退火优化算法（Simulated Annealing, SA，含Matlab源代码）
摘要 模拟退火（SA）算法是一种基于物理退火过程的全局优化算法，其核心思想来源于热力学中的退火过程：将材料加热到高温后再缓慢冷却，使其分子结构趋于最低能量状态，从而获得稳定结构。SA 算法利用 Metropol…...
)
knowledge-微前端(多个前端应用聚合的一个应用架构体系，每个小的应用可独立运行，独立开发，独立部署上线)
1.前言 微前端，将一个大的前端应用拆分为多个小型的，独立开发的前端应用，每一个小型的应用都可以单独的开发，部署和运行。这种结构允许不同的团队使用不同的技术栈来开发应用的不同部分，提高开发的效率与灵活性。 2.实…...
目标检测中归一化的目的？
在目标检测任务中，归一化坐标和尺寸时需要除以图像的宽度和高度，主要有以下几个原因： 1. 统一尺度 不同图像可能具有不同的宽度和高度。通过将坐标和尺寸除以图像的宽度和高度，可以将所有图像的标注信息统一到相同的尺度范围（[0, 1]）。这使得模型在训练和推理时能够处理…...
HarmonyOs- UIAbility应用上下文
上下文为何物 上下文在计算机科学领域是一个广泛存在的概念。是现代操作系统核心抽象概念之一。其本质是环境信息的结构化封装。 有过开发经验的都知道，当我们在一个系统上进行开发的时候，无论是Android，HarmonyOs，Linux 等等&a…...