09 2022 档案
摘要：作用 标签平滑（Label smoothing），像L1、L2和dropout一样，是机器学习领域的一种正则化方法，通常用于分类问题，目的是防止模型在训练时过于自信地预测标签，改善泛化能力差的问题。 原理分析 以上便为从onehot编码到标签偏移的公式。可以清楚的看到做完这种变化之后把原来oneho
阅读全文
摘要：一. 阅读论文 1. 初期找方向 初期读论文需要逐字精读，方向不必严格限定，感兴趣论文涉及的论文链都可以去读。一篇论文用时一天，英文论文+中文分享，前期阅读论文数量30篇以上，可以提高学术英语阅读能力和 专业术语积累。 2. 中期重点突破 中期读论文要重点精读，严格限定研究方向和方向涉及的论文链。重
阅读全文
摘要：一. Abstract 使用batchnorm，有效的加快训练和提升去噪表现 不同于现有的判别去噪模型通常在一定的噪声水平下训练特定的加性高斯白噪声模型(AWGN)，我们的DnCNN模型能够处理未知噪声水平的高斯去噪(即盲高斯去噪)。 利用残差学习策略（预测噪声），DnCNN隐含地去除了隐含在隐含层
阅读全文
摘要：  ![im
阅读全文
摘要：import argparse # (1) 声明一个parser parser = argparse.ArgumentParser() # (2) 添加参数 parser.add_argument("parg") # 位置参数，这里表示第一个出现的参数赋值给parg parser.add_argum
阅读全文
摘要：一.原理 这里面画的三个卷积层组们都是一样的，都是用的同样的网络，并且这个网络用的是预训练好的参数，他们的作用是特征提取，在训练过程中参数不会更新。 这个网络的参数是那个合成图像。 损失包括三部分，合成图像和内容图像的损失，合成图像和样式图像的损失，合成图形自身的全变分去噪损失（total vari
阅读全文
摘要：一. Relu嵌套效果 f = lambda x: (F.relu(2 * (F.relu(3 * x - 1)) + 3)) x = torch.arange(-50, 50, 0.5) mb.plt.plot(x, f(x)) 可以看出多个Relu的嵌套之后结果仍然为一个Relu函数。 二. R
阅读全文
摘要：一. 基本操作 不同于一般的卷积做的是多个元素->1个元素，转置卷积是从1个元素到多个元素 二. 填充、步幅和多通道 1. 填充 常规卷积中padding是在输入的外圈添加元素，转置卷积中的padding则是在输出中删除外圈的元素 x = torch.tensor([[0.0, 1.0], [2.0
阅读全文
摘要：torchvision.transforms.ToTensor() 将numpy的ndarray或PIL.Image读的图片(H,W,C)转换成形状为(C,H, W)的Tensor格式,当然，需要特别注意的是，当使用ToTensor() 将numpy转为Tensor格式时，numpy中的元素必须是u
阅读全文
摘要：方法一 安装anaconda3，版本选择新的就行 打开anaconda prompt创建虚拟环境conda create -n pytorch_gpu python=3.9，pytorch_gpu是环境名称，可自行选取，python=3.9是选择的python版本，可自行选择，conda会自动下载选
阅读全文
摘要：Image.open(img_path).convert("RGB") 读出来的图像是RGBA四通道的，A通道为透明通道，该通道值对深度学习模型训练来说暂时用不到，因此使用convert(‘RGB’)进行通道转换
阅读全文
摘要：官方文档：https://bndong.github.io/Cnblogs-Theme-SimpleMemory/v2/#/ 作图床的免费网站：https://imgse.com/
阅读全文
摘要：1. 几个工具函数 def box_corner_to_center(boxes): """从（左上，右下）转换到（中间，宽度，高度）""" x1, y1, x2, y2 = boxes[:, 0], boxes[:, 1], boxes[:, 2], boxes[:, 3] cx = (x1 +
阅读全文
摘要：vscode主题开发教程 https://blog.csdn.net/Suwanqing_su/article/details/105945290 个人配置结果 主题代码 到Vscode放插件的目录中随便找一个主题插件点进去到themes文件夹，里面有一个json文件打开，将以下代码复制即可 /*
阅读全文
摘要：定义 torch.sort(input,dim,descending) torch.argsort(input,dim,descending) 用法 torch.sort：对输入数据排序，返回两个值，即排序后的数据values和其在原矩阵中的坐标indices torch.argsort：同torc
阅读全文
摘要：形式： torch.max(input) → Tensor 返回输入tensor中所有元素的最大值： a = torch.randn(1, 3) >>0.4729 -0.2266 -0.2085 torch.max(a) #也可以写成a.max() >>0.4729 形式： torch.max(in
阅读全文
摘要：https://pytorch.org/docs/stable/generated/torch.nonzero.html
阅读全文
