先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Java开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Java开发知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024b (备注Java)
正文
(
z
)
G_D(z)
GD(z)结构,它会将刚刚得到的向量z上采样成
x
^
\hat x
x^,
x
^
\hat x
x^的维度和
x
x
x一致,都为
R
C
×
H
×
W
\mathbb{R}^{C×H×W}
RC×H×W。关于
G
D
(
Z
)
G_D(Z)
GD(Z)结构也很简单,其主要用到了转置卷积,对于转置卷积不了解的可以看博客[2]了解详情。生成器网络G就为大家介绍完了,是不是发现很简单呢。总结下来就两步,第一步让输入x通过
G
E
(
x
)
G_E(x)
GE(x)得到z,第二步让z通过
G
D
(
Z
)
G_D(Z)
GD(Z)变成
x
^
\hat x
x^。这两步也可以用一步表示,即
x
^
=
G
(
x
)
\hat x=G(x)
x^=G(x)。
思来想去我还是想在这里给大家抛出一个问题,我们传统的GAN是怎么通过生成器来构建假图像的呢?和GANomaly有区别吗?其实这个问题的答案很简单,大家都稍稍思考一下,我就不给答案了,不明白的评论区见吧!!!🥂🥂🥂
- 编码器网络E
编码器网络E的作用是将生成器得到的
x
^
\hat x
x^压缩成一个向量
z
^
\hat z
z^,是不是发现和生成器网络中的
G
E
(
x
)
G_E(x)
GE(x)很像呢,其实呀,它俩的结构就是完全一样的,生成的
z
^
\hat z
z^ 和
x
^
\hat x
x^ 的维度一致,这是方便后面的损失比较。
- 判别器网络D
判别器网络D和我们之前介绍DCGAN时的结构是一样的,都是将真实数据
x
x
x和生成数据
x
^
\hat x
x^输入网络,然后得出一个分数。
GANomaly损失函数
GANomaly的损失函数分为两部分,第一部分是生成器损失,第二部分为判别器损失,下面我们分别来进行介绍:
- 生成器损失函数
生成器损失函数又由三个部分组成,分别如下:
- Adversari Loss
我还是直接上公式吧,如下:
L
a
d
v
=
E
x
∼
p
x
∣
∣
f
(
x
)
−
E
x
∼
p
x
f
(
G
(
x
)
)
∣
∣
2
L_{adv}=E_{x \sim px}||f(x)-E_{x \sim px}f(G(x))||_2
Ladv=Ex∼px∣∣f(x)−Ex∼pxf(G(x))∣∣2
这个公式对应图一中的
L
a
d
v
=
∣
∣
f
(
x
)
−
f
(
x
^
)
∣
∣
2
L_{adv}=||f(x)-f(\hat x)||_2
Ladv=∣∣f(x)−f(x^)∣∣2🍵🍵🍵这个损失函数应该很好理解,在前面介绍的GAN网络都有提及,
f
(
∗
)
f(*)
f(∗)表示判别器网络某个中间层的输出。这个损失函数的作用就是让两张图像
x
和
x
^
x和\hat x
x和x^尽可能接近,也就是让生成器生成的图片更加逼真。
- Contextual Loss
同样的,直接来上公式,如下:
L
c
o
n
=
E
x
∼
p
x
∣
∣
x
−
G
(
x
)
∣
∣
1
L_{con}=E_{x \sim px}||x-G(x)||_1
Lcon=Ex∼px∣∣x−G(x)∣∣1
这个公式对应图一中的
L
c
o
n
=
∣
∣
x
−
x
^
∣
∣
1
L_{con}=||x-\hat x||_1
Lcon=∣∣x−x^∣∣1🍵🍵🍵这个函数其实也是要让两张图像
x
和
x
^
x和\hat x
x和x^尽可能接近。至于这里为什么用的是L1范数而不是L2范数,作者在论文中说这里使用L1范数的效果要比使用L2范数的效果好,这属于实验得到的结论,大家也不用过于纠结。
- Encoder Loss
话不多说,上公式,如下:
L
e
n
c
=
E
x
∼
p
x
∣
∣
G
E
(
x
)
−
E
(
G
(
x
)
)
∣
∣
2
L_{enc}=E_{x \sim px}||G_E(x)-E(G(x))||_2
Lenc=Ex∼px∣∣GE(x)−E(G(x))∣∣2
这个公式对应图一中的
L
e
n
c
=
∣
∣
z
−
z
^
∣
∣
2
L_{enc}=||z-\hat z||_2
Lenc=∣∣z−z^∣∣2🍵🍵🍵这里的损失函数在我看来主要作用就是让我们在推理过程中的效果更好,这里就像AnoGAN中不断搜索最优的那个z的作用。
如果大家这里读过cycleGAN的论文的话,可能会觉得这个损失函数有点类似cycleGAN中的循环一致性损失。我觉得这篇文章的思想可能借鉴了cycleGAN中的思想,感兴趣的可以去阅读一下,非常有意思的一篇文章!!!🥃🥃🥃
生成器总的损失是上述三种损失的加权和,如下:
L
=
w
a
d
v
L
a
d
v
w
c
o
n
L
c
o
n
w
e
n
c
L
e
n
c
L=w_{adv}L_{adv}+w_{con}L_{con}+w_{enc}L_{enc}
L=wadvLadv+wconLcon+wencLenc
在论文提供的源码中,默认
w
c
o
n
=
50
,
w
a
d
v
=
w
e
n
c
=
1
w_{con}=50,w_{adv}=w_{enc}=1
最后
我还通过一些渠道整理了一些大厂真实面试主要有:蚂蚁金服、拼多多、阿里云、百度、唯品会、携程、丰巢科技、乐信、软通动力、OPPO、银盛支付、中国平安等初,中级,高级Java面试题集合,附带超详细答案,希望能帮助到大家。
还有专门针对JVM、SPringBoot、SpringCloud、数据库、Linux、缓存、消息中间件、源码等相关面试题。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注Java)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
!!🥃🥃🥃
生成器总的损失是上述三种损失的加权和,如下:
L
=
w
a
d
v
L
a
d
v
w
c
o
n
L
c
o
n
w
e
n
c
L
e
n
c
L=w_{adv}L_{adv}+w_{con}L_{con}+w_{enc}L_{enc}
L=wadvLadv+wconLcon+wencLenc
在论文提供的源码中,默认
w
c
o
n
=
50
,
w
a
d
v
=
w
e
n
c
=
1
w_{con}=50,w_{adv}=w_{enc}=1
最后
我还通过一些渠道整理了一些大厂真实面试主要有:蚂蚁金服、拼多多、阿里云、百度、唯品会、携程、丰巢科技、乐信、软通动力、OPPO、银盛支付、中国平安等初,中级,高级Java面试题集合,附带超详细答案,希望能帮助到大家。
[外链图片转存中…(img-4gRwwOWF-1713701756263)]
还有专门针对JVM、SPringBoot、SpringCloud、数据库、Linux、缓存、消息中间件、源码等相关面试题。
[外链图片转存中…(img-Jf6zXAd7-1713701756263)]
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注Java)
[外链图片转存中…(img-uKCvVzSo-1713701756264)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!