独行侠

Low-level任务：常见的包括 Super-Resolution，denoise， deblur， dehze， low-light enhancement， deartifacts等。简单来说，是把特定降质下的图片还原成好看的图像，现在基本上用end-to-end的模型来学习这类ill-posed问题的求解过程，客观指标主要是PSNR，SSIM，大家指标都刷的很高。目前面临以下几点问题：泛化性差，换个数据集，同种任务变现就很差 客观指标与主观感受存在，GAP，指标刷很高，人眼观感不佳，用GAN.

参考资料：resnet50结构：https://www.jianshu.com/p/993c03c22d52resnet50训练条件：百度paddleimagenet labels：https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.shResNet50模型的复现详解

https://blog.csdn.net/zhw864680355/article/details/87825993

https://www.cnblogs.com/guoyaohua/p/8724433.html

高效神经网络的设计

参考文档：https://www.cnblogs.com/darkknightzh/p/8525287.html

前言上篇讲到yolov2 loss中使用了两个loss分别时wh使用的smoothl1loss以及其他的BCEloss，这里做个扩展介绍，并对比pytorch以及tensorflow的api接口的使用smoothl1(huber loss)转载自知乎高赞回答：https://www.jianshu.com/p/19483787fa24smooth L1 loss能从两个方面限...

前言最近在做yolo检测模型的8bit落地工作，因需求手撸了优图的yolov2的loss，做个记录方便日后查看。本篇只介绍核心的loss部分，其余详细的代码放到github上面去了，详见https://github.com/XhtZz/yolo-v2-lossloss详解def yolo_loss( target, output, ...

Sigmoid函数:特性：1.当变量值远离中心轴时，梯度几乎为0，在神经网络的反向传播过程中，链式求导导致经过sigmoid函数之后的梯度很小，权重值更新较慢2.计算机执行指数运算较慢3.sigmoid在压缩数据幅度方面有优势，在深度网络中，在前向传播中，sigmoid可以保证数据幅度在[0,1]内，这样数据幅度稳住了，不会出现数据扩散，不会有太大的失误。4.定义域...

在介绍指标前必须先了解“混淆矩阵”，其各个元素的介绍如下：True Positive(真正，TP)：将正类预测为正类数True Negative(真负，TN)：将负类预测为负类数False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)...

Tensorflow初探:需要理解的基本问题: 如何将计算流程表示成图？ 怎样通过session来执行图计算？ 如何将数据表示成tensors？ 如何用Variables来保持状态信息？ 如何分别使用feeds和fetches来填充数据和抓取任意的结果？ 1. TensorFlow 是什么是一个深度学习库，由 Google 开源，可以对定义...