数据处理（txt的提取） 本人用于记录平时用的代码，仅供新手参考！！通常对数据进行处理，如提取txt文件里面的内容，将其分成训练集和测试集，但是测试集需要根据已有的文件名进行挑选，而训练集和测试集也就分开了。首先，将测试数据里面的文件名进行提取，然后根据该文件同已有的txt进行对比，再对其保存输出即代码如下：import sysimport jsonimport osfp = open("ttl.txt", "r")sample = fp.readlines()path_imgs = './valt/'
OCR基础篇 1、什么是OCR？OCR英文全称是Optical Character Recognition，中文叫做光学字符识别。它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。文字是不可或缺的视觉信息来源。相对于图像/视频中的其他内容，文字往往包含更强的语义信息，因此对图像中的文字提取和识别具有重大意义。文字识别是计算机视觉研究领域的分支之一，而且这个课题已经是比较成熟了，并且在商业中已经有很多落地项目了。虽然很多企业都有能力开始从事OCR的各种任务，
通俗理解GAN GAN的主要结构包括一个生成器G（Generator）和一个判别器D（Discriminator）。G：一个生成图片的网络，它接收一个随机噪声z，通过这个噪声生成图片，记做G(z)；D：一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率。如果为1，就带包100%是真实的图片，而输出为0，就代表不可能是真实图片。在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D，而D的目标就是尽量把G生成的图片和真实的图片分别开来
生成对抗网络实现超分 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，.
关注
