慢行厚积

2020年1月10日

Gate Decorator: Global Filter Pruning Method for Accelerating Deep Convolutional Neural Networks - 模型压缩 - 1 - 论文学习

摘要： Abstract 过滤器(filter)剪枝是卷积神经网络加速和压缩的最有效方法之一。在这项工作中，我们提出了一种叫做Gate Decorator的全局过滤器剪枝算法，它通过将一个普通的CNN模块的输出乘以通道缩放因子(即gate，代码中为g)来对其进行转换。当比例因子设置为0时，相当于删除相应的过阅读全文

posted @ 2020-01-10 18:36 慢行厚积阅读(1571) 评论(0) 推荐(0) 编辑

Gate Decorator: Global Filter Pruning Method for Accelerating Deep Convolutional Neural Networks - 模型压缩 - 3 - 代码学习，VGG16,Resnet

摘要： VGG16 run/vgg16/vgg16_prune_demo.py运行： python ./run/vgg16/vgg16_prune_demo.py --config ./run/vgg16/prune.json 报错： Traceback (most recent call last): F 阅读全文

posted @ 2020-01-10 18:29 慢行厚积阅读(883) 评论(0) 推荐(1) 编辑

Gate Decorator: Global Filter Pruning Method for Accelerating Deep Convolutional Neural Networks - 模型压缩 - 2 - 代码学习

摘要： https://github.com/youzhonghui/gate-decorator-pruning 1.utils.py class dotdict(dict): """dot.notation access to dictionary attributes""" __getattr__ = 阅读全文

posted @ 2020-01-10 18:27 慢行厚积阅读(769) 评论(0) 推荐(0) 编辑

2019年12月24日

pytorch数据预处理错误

摘要：出错： Traceback (most recent call last): File "train.py", line 305, in <module> train_model(model_conv, criterion, optimizer_conv, exp_lr_scheduler) Fil 阅读全文

posted @ 2019-12-24 13:54 慢行厚积阅读(1254) 评论(0) 推荐(0) 编辑

2019年12月17日

python2 pickle.dump生成的文件，python3 pickle.load怎么加载

摘要：会报错： UnicodeDecodeError: 'ascii' codec can't decode byte 0xa0 in position 3: ordinal not in range(128) 解决办法是添加encoding参数： pickle.load(f, encoding='iso 阅读全文

posted @ 2019-12-17 16:42 慢行厚积阅读(1047) 评论(0) 推荐(0) 编辑

2019年11月28日

CSAGAN的几大重点 - 2

摘要： 1.生成器 1）MRU（SketchyGAN）计算过程为：与DCGAN[46]和ResNet生成架构的定性和定量比较可以在5.3节中找到。MRU块有两个输入:输入特征图xi和图像I，输出特征图yi。为了方便起见，我们只讨论输入和输出具有相同空间维数的情况。令[·,·]为串联，Conv(x)为x上阅读全文

posted @ 2019-11-28 18:42 慢行厚积阅读(1074) 评论(1) 推荐(0) 编辑

BicycleGAN: Toward Multimodal Image-to-Image Translation - 1 - 论文学习，成对数据

摘要： Abstract 许多图像到图像的翻译问题是有歧义的，因为一个输入图像可能对应多个可能的输出。在这项工作中，我们的目标是在一个条件生成模型设置中建立可能的输出分布。将模糊度提取到一个低维潜在向量中，在测试时随机采样。生成器学习将给定的输入与此潜在编码映射到输出。我们明确地鼓励输出和潜在编码之间的连接阅读全文

posted @ 2019-11-28 18:40 慢行厚积阅读(2335) 评论(0) 推荐(0) 编辑

StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation - 1 - 多个域间的图像翻译论文学习

摘要： Abstract 最近在两个领域上的图像翻译研究取得了显著的成果。但是在处理多于两个领域的问题上，现存的方法在尺度和鲁棒性上还是有所欠缺，因为需要为每个图像域对单独训练不同的模型。为了解决该问题，我们提出了StarGAN方法，这是一个新型的可扩展的方法，能够仅使用一个单一模型就实现多领域的图像翻译。阅读全文

posted @ 2019-11-28 18:40 慢行厚积阅读(2284) 评论(0) 推荐(1) 编辑

MUNIT：Multimodal Unsupervised Image-to-Image Translation - 1 - 论文学习，不成对数据

摘要：摘要：无监督图像转换是计算机视觉领域中一个重要而又具有挑战性的问题。给定源域中的一幅图像，目标是学习目标域中对应图像的条件分布，而不需要看到任何对应图像对的例子。虽然这种条件分布本质上是多模态的，但现有的方法做了过度简化的假设，将其建模为确定性的一对一映射。因此，它们无法从给定的源域映像生成不同的输阅读全文

posted @ 2019-11-28 18:39 慢行厚积阅读(4444) 评论(0) 推荐(2) 编辑

SAGAN:Self-Attention Generative Adversarial Networks - 1 - 论文学习

摘要： Abstract 在这篇论文中，我们提出了自注意生成对抗网络(SAGAN)，它是用于图像生成任务的允许注意力驱动的、长距离依赖的建模。传统的卷积GANs只根据低分辨率图上的空间局部点生成高分辨率细节。在SAGAN中，可以使用来自所有特征位置的线索生成细节。此外，判别器可以检查图像中较远部分的细节特征阅读全文

posted @ 2019-11-28 18:38 慢行厚积阅读(2663) 评论(0) 推荐(0) 编辑

公告