摘要：
模板字面量是ES6引入的一个新特性，它的出现扩展了字符串的可用性，使得拼接字符串和变量变得更加方便和全面。但它不仅限于拼接字符串和变量。还可以用于进行特殊函数调用，ES6将这一功能定义为标签模板字面量。 我们看一下代码： function tag(parts, ...values) { return 阅读全文
摘要：
一、JS中的数值类型 众所JS爱好友周知，JS中只有一个总的数值类型——number，它包含了整型、浮点型等数值类型。其中，浮点数的实现思想有点复杂，它把一个数拆成两部分来存储。第一部分是有效位数，也可以称作系数、分数或者尾数；第二部分被称为指数，表示小数点位应该插在系数的哪个位置。在JS中，浮点数 阅读全文
摘要：
一、this显式绑定 this显式绑定，顾名思义，它有别于this的隐式绑定，而隐式绑定必须要求一个对象内部包含一个指向某个函数的属性（或者某个对象或者上下文包含一个函数调用位置），并通过这个属性间接调用这个函数，从而把this间接/隐式绑定到这个对象上。但是this的隐式绑定存在一个绑定对象丢失问 阅读全文
摘要：
半监督生成对抗网络 一、SGAN简介 半监督学习(semi-supervised learning)是GAN在实际应用中最有前途的领域之一，与监督学习（数据集中的每个样本有一个标签）和无监督学习（不使用任何标签）不同，半监督学习只为训练数据集的一小部分提供类别标签。通过内化数据中的隐藏结构，半监督学 阅读全文
摘要：
渐进式增长生成对抗网络（PGGAN） 使用 TensorFlow和 TensorFlow Hub( TFHUB)构建渐进式增长生成对抗网络( Progressive GAN, PGGAN或 PROGAN)——一种能够生成全高清的具有照片级真实感图像的前沿技术。这项技术在顶级机器学习会议ICLR201 阅读全文
摘要：
训练与普遍挑战：为成功而GAN 一、评估 回顾一下第1章中伪造达・芬奇画作的类比。假设一个伪造者（生成器）正在试图模仿达・芬奇，想使这幅伪造的画被展览接收。伪造者要与艺术评论家（判别器）竞争，后者试图只接收真正的作品进入展览。如果你是那位伪造者，目的是伪造这位伟大艺术家的“遗失的作品”，以对达・芬奇 阅读全文
摘要：
深度卷积生成对抗网络（DCGAN） 我们在第3章实现了一个GAN,其生成器和判别器是具有单个隐藏层的简单前馈神经网络。尽管很简单，但GAN的生成器充分训练后得到的手写数字图像的真实性有些还是很具说服力的。即使是那些无法被识别为人类手写数字的字符，也具有许多手写符号的特征，例如可辨认的线条边缘和形状， 阅读全文
摘要：
第一个GAN模型—生成手写数字 一、GAN的基础：对抗训练 形式上，生成器和判别器由可微函数表示如神经网络，他们都有自己的代价函数。这两个网络是利用判别器的损失记性反向传播训练。判别器努力使真实样本输入和伪样本输入带来的损失最小化，而生成器努力使它生成的为样本造成的判别器损失最大化。 训练数据集决定 阅读全文
摘要：
图像基本操作 一、访问和修改像素值 先来理解一下，图像与一般的矩阵或张量有何不同(不考虑图像的格式，元数据等信息)。首先，一张图像有自己的属性，宽，高，通道数。其中宽和高是我们肉眼可见的属性，而通道数则是图像能呈现色彩的属性。我们都知道，光学三原色是红色，绿色和蓝色，这三种颜色的混合可以形成任意的颜 阅读全文
摘要：
轨迹栏作为调色板 在这里，我们将创建一个简单的应用程序，以显示指定的颜色。有一个显示颜色的窗口，以及三个用于指定B、G、R颜色的轨迹栏。滑动轨迹栏，并相应地更改窗口颜色。默认情况下，初始颜色将设置为黑色。 对于cv.getTrackbarPos() 函数，第一个参数是轨迹栏名字，第二个参数是它附加到 阅读全文