Wendy的博客

本文介绍利用QProcess实现应用程序重启功能。实现应用程序重启功能在Qt中实现非常简单，需要用到QProcess类一个静态方法。

本文介绍利用QDir删除选定文件目录下的所有空文件夹。

本文介绍利用QPixmap设计图片透明度，可以看到拖动下方进度条，用于控制上方图片的透明度。

本文以LeNet-5为例，简单介绍pytorch与keras的相互转换。

本文介绍利用QDrag类实现拖拽拼图功能。左边是打散的图，拖动到右边进行复现，此外程序还支持手动拖入原图片。

上文介绍了NAOMI: Non-Autoregressive MultiresolutionSequence Imputation（非自回归多分辨率序列填补）论文详解，链接如下：https://blog.csdn.net/didi_ya/article/details/125842598，本文介绍其代码实现。

从运动跟踪到物理系统动力学，缺失值填补是时空建模的一个基本问题。深度自回归模型（Deepautoregressivemodels）存在误差传播问题，这对输入长序列来说是灾难性的。本文采用一种非自回归的方法，提出了一种新的深度生成模型非自回归多分辨率填补，用于在给定任意缺失模式的情况下进行长序列的填补。NAOMI利用时空数据的多分辨率结构，采用分而治之的策略从粗粒度到细粒度递归解码。我们通过对抗性训练进一步增强了我们的模型。当对来自确定性和随机动力学系统的基准数据集进行广泛评估时。...

本文提出了一种新的基于递归神经网络（RNN）的时间序列缺失值填补方法。提出的方法直接学习双向递归动力系统中的缺失值，不需要任何特定的假设。将输入值作为RNN图的变量，在反向传播过程中进行有效更新。它具有三个优点(a)可以处理时间序列中的多个相关缺失值；(b)可以推广到具有非线性动力学基础的时间序列；©它提供了一个数据驱动的估算程序，并适用于缺少数据的一般情况。...

本专栏将主要介绍基于GAN的时序缺失数据填补。提起时序数据，就离不开一个神经网络——循环神经网络（Recurrent Neural Network, RNN）。RNN是一类用于处理序列数据的神经网络。RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息。因为在介绍时序缺失数据填补，就离不开RNN的身影。本文将介绍循环神经网络RNN，并再次基础上完成基于pytorch的简单RNN代码实现，帮助更加深入了解RNN。关于循环神经网络RNN的介绍可以参考这篇文章：循环神经网络RNN入门介绍。...

WSGAIN-GP全称Wasserstein Slim GAIN with Gradient Penalty，其目的在于减少影响普通GAN以及影响WGAN的主要警告，即因权重剪裁而产生的不良行为。WSGAIN-GP的架构与WSGAIN-CP几乎相同。WSGAIN-CP的架构可以参考文章：Wasserstein Slim GAIN with Clipping Penalty（WSGAIN-CP）介绍及代码实现——基于生成对抗网络的缺失数据填补。WSGAIN-GP的生成器与WSGAIN-CP的生成器完全相同。.

WSGAIN-CP全称Wasserstein Slim GAIN with Clipping Penalty，其目的在于减少影响Slim GAN的主要问题，如模式崩溃和梯度消失。WSGAIN-CP的架构与SGAIN几乎相同。SGAIN的架构可以参考文章：Slim GAIN（SGAIN）介绍及代码实现——基于生成对抗网络的缺失数据填补。WSGAIN-CP的生成器与SGAIN的生成器相同，它们甚至共享相同的损失函数，可参考前文。...

SGAIN网络架构如下：与GAIN的架构不同，SGAIN中没有Hint Generator，因此不会产生Hint Matrix（提示矩阵）。SGAIN的架构甚至更薄，因为生成器和判别器神经网络都只有两层，而在GAIN中它们都有三层。SGAIN在生成器和判别器的输出层使用双曲正切激活函数(又名tanh)。使用tanh而不是sigmoid激活函数的理由有两方面：SGAIN的体系结构还调用了两次判别器，一次针对真实数据，一次针对虚假数据。这使得SGAIN的架构更接近于Goodfellow等人在GAN中使用的架.