长沙做痔疮东大医院de网站,建站宝盒开通,网站主域名,网站推广建设加盟报错#xff1a;unsafe legacy renegotiation disabled 解决方案#xff1a;
尝试了更换cryptography36.0.2版本#xff0c;以及更换下载链接的方法#xff0c;都不行#xff0c;最后采用了手动下载mat文件并上传到colab的方法 高光谱图像分类数据集简介Indian Pinesunsafe legacy renegotiation disabled 解决方案
尝试了更换cryptography36.0.2版本以及更换下载链接的方法都不行最后采用了手动下载mat文件并上传到colab的方法 高光谱图像分类数据集简介Indian Pinesmat 定义网络
class HybridSN(nn.Module):def __init__(self):super(HybridSN, self).__init__()self.conv3d_1 nn.Sequential(nn.Conv3d(1, 8, kernel_size(7, 3, 3), stride1, padding0),nn.BatchNorm3d(8),nn.ReLU(inplace True),)self.conv3d_2 nn.Sequential(nn.Conv3d(8, 16, kernel_size(5, 3, 3), stride1, padding0),nn.BatchNorm3d(16),nn.ReLU(inplace True),) self.conv3d_3 nn.Sequential(nn.Conv3d(16, 32, kernel_size(3, 3, 3), stride1, padding0),nn.BatchNorm3d(32),nn.ReLU(inplace True))self.conv2d_4 nn.Sequential(nn.Conv2d(576, 64, kernel_size(3, 3), stride1, padding0),nn.BatchNorm2d(64),nn.ReLU(inplace True),)self.fc1 nn.Linear(18496,256)self.fc2 nn.Linear(256,128)self.fc3 nn.Linear(128,16)self.dropout nn.Dropout(p 0.4)def forward(self,x):out self.conv3d_1(x)out self.conv3d_2(out)out self.conv3d_3(out)out self.conv2d_4(out.reshape(out.shape[0],-1,19,19))out out.reshape(out.shape[0],-1)out F.relu(self.dropout(self.fc1(out)))out F.relu(self.dropout(self.fc2(out)))out self.fc3(out)return out实验结果 本次准确率为97.89%
思考题
● 训练HybridSN然后多测试几次会发现每次分类的结果都不一样请思考为什么 每次训练的时候神经网络的参数和权重都是随机的所以每次的结果都不一样。
● 如果想要进一步提升高光谱图像的分类性能可以如何改进 增加注意力机制把Attention加在第三个三维卷积后以保留更多的光谱信息从而进一步提升高光谱图像的分类性能。
● depth-wise conv 和 分组卷积有什么区别与联系 Depth-wise conv深度可分离卷积和分组卷积是两种用于减少卷积计算量的优化技术。区别在于
Depth-wise conv是在每个输入通道上独立地进行卷积操作然后再将结果在通道维度上进行组合。这样可以减少参数数量和计算量但每个通道之间没有交互信息。分组卷积是将输入通道分为若干组然后在每组内进行卷积操作。这样可以在一定程度上减少计算量并且每组内的通道可以相互交互信息。但相比普通卷积分组卷积可能引入一定的信息损失。
● SENet 的注意力是不是可以加在空间位置上 SENet的注意力机制主要是通过学习通道之间的关系来提升特征的重要性但也可以通过适当的调整将注意力扩展到空间位置上从而使网络能够关注不同空间位置上的特征进一步提升性能。
● 在 ShuffleNet 中通道的 shuffle 如何用代码实现
import torchdef channel_shuffle(x, groups):batch_size, height, width, channels x.size()channels_per_group channels // groups# Reshape the tensor to (batch_size, height, width, groups, channels_per_group)x x.view(batch_size, height, width, groups, channels_per_group)# Transpose the tensor along the last two dimensions (swap channels_per_group and groups)x x.permute(0, 1, 2, 4, 3)# Reshape the tensor back to its original shapex x.view(batch_size, height, width, channels)return x
