- 博客(14)
- 收藏
- 关注
RSS订阅原创 一只知道在障碍后面peek射击的Atari SpaceInvader机器人（强化学习策略梯度算法）
只是损失函数的定义很有技巧性，比如GAMMA值的引入，蘑菇书和李宏毅的课程我都没有看到提这个部分，很奇怪。但实际对于比较简单的环境例如cartpole游戏，小车需要来回移动保持棒子站立平稳，这就像是个生存游戏，生存越久奖励越高，而这个游戏的奖励，reward也是每多生存一帧给你一点正的reward，李的强化课程还有很多博客多说过：面临reward都是正的情况，给reward减去一个偏置bias。因为损失函数将生存越久的奖励给的越大，所以他一上来就找掩体，只会在后面躲着，然后peek一下开火，又躲回去。
2024-08-09 11:14:13
377
原创 深度学习去噪pytorch项目实战——第三章”模型数据读写“
在本任务中，我们只拥有一批真实图像的数据，带高斯噪声的数据是我们自行构造的，我索性将其放在后面的getitem中，需要的时候才生成。首先讲init函数，在这个函数中，最重要的就是构建好我们模型所需输入以及标签的列表，当然列表只是形象化的说法，不是单指python的list。以上的getitem函数中我们实现了按照index去读取图片，然后生成模型输入，最后按对返回输入与GT。一个数据集类，我们首先只考虑其中的Init与getitem函数，有这两个最基本的函数就足以实现大多数数据集的读写处理。
2024-07-23 15:23:21
210
原创 深度学习图像去噪项目pytorch实战-第二章“数据集构建”
在我们的深度学习研究中，往往对于训练集：验证集：测试集的数据比例采用6:2:2，这涉及到交叉验证（Cross validation）的知识。注意：请不要忽略测试集的重要性，因为我发现有部分已发表的论文，以及身边同学在ai研究中，往往忽略了测试集，仅仅以验证集的表现来评价自己的模型算法。这不科学，验证集上获得好的效果不能证明你的创新点具有价值！有同学就曾因为毕业论文实验没有测试集而差点延毕，还是老师宽大处理，让紧急修改后才顺利毕业。而且很多发表的期刊文章甚至都没有测试集，这些研究没有意义，甚至误人子弟。
2024-07-22 17:56:55
200
1
原创 深度学习图像去噪项目pytorch实战-第一章“理论部分”
左图添加了sigma=15的高斯噪声，右图为简单训练后的DnCNN的去噪后图像，不代表实验最好的去噪效果。
2024-07-22 17:37:38
402
原创 用python将dycom .dcm格式图像转换为nifti .nii
因为发现目前搜索到的多数中文教程并不能正确将FMRI图像正确转换，例如很多用simpleITk的seriesreader的，所以写了一下自己正确转换的方法。因为FMRI是一个4D数据，有时间轴，所以用seriesreader读写出来的图像把时间轴维度给降维了。当然你用SPM12工具的dycom import也是能正确转换的，但是我还是喜欢python这样的，代码直接简单。
2022-10-24 14:29:39
2827
1
原创 Happywhale -我的第一次Kaggle Solo经验分享，纯纯的都是经验，初学者友好~
比赛结束半个多月了，终于来做总结了，第一次SOLO参与这样的比赛，最终成绩是224名，离铜牌区差的也不远了，可惜自己就差那一点时间，或者说就是因为自己前期犯了很多错以及毫无比赛经验，比赛里面太多高手了，也有很多乐于分享的人，学到了很多，于是做个总结，记录一下，也给需要的朋友分享。下面分点给出一些个人认为对于深度学习竞赛有用的点（不以重要性排序）1.GPU资源，没有这个寸步难行，更别提人家大佬的GPU比你的好，比你的多😂。但是这也不是我们放弃的理由，从初学者的角度来看，GPU资源足够很重要...
2022-05-07 14:29:33
1245
2
原创 Unet for TGS Salt Identification Challenge
GitHub - rabbitdeng/Unet-pytorch: a unet implementation for Image semantic segmentation
2021-12-20 11:28:40
358
原创 文本检测（Text Detection）网络论文的简易解读——DBNET
论文标题：Real-time Scene Text Detection with Differentiable Binarization在这里放出论文arxiv链接可微分二值化模块（Differentiable Binarization module) 论文中最重要的即是提出了可微分二值化模块（Differentiable Binarization module，简称DB module），如下图（来源于论文中），SB则是我们在区分前景，后景中，使用的阶跃函数，式（1）。t为thre...
2021-08-17 16:15:38
1017
原创 使用SAGAN生成二次元人物头像(GAN生成对抗网络)--pytorch实现
之前的文章里面，我们使用了残差网络的形式实现生成器与辨别器，它理论上可以实现很不错的效果，但有一个很致命的缺点，就是训练太慢，很难见到成果。 这一次，我们实现了一个利用自注意力机制制作的对抗生成网络。自注意力机制是我们在深度学习道路上，除了RNN,CNN以外，不得不了解的一种模块。非常有意思。简而言之，这个模块，相比于之前单纯使用卷积网络的GAN，它更加能注重上下文，举个例子，在生成人物眼睛的时候，它会注意到鼻子????，头发等其他部位，从而将眼睛放在合适的位置，总之，能更好的学...
2021-08-16 15:13:14
1838
1
原创 自注意力机制（self-attention）的理解与pytorch实现
attention机制，即自注意力机制，为了解决以往的RNN，LSTM等模型对于长距离的上下文分析能力不足的问题。
2021-08-09 17:46:38
18333
21
原创 使用残差网络resnet与WGAN制作一个生成二次元人物头像的GAN（pytorch）
a GAN using Wasserstein loss and resnet to generate anime pics.一个resnet-WGAN用于生成各种二次元头像（你也可以使用别的图像数据集，用于生成图片）@本项目用于深度学习中的学习交流，如有任何问题，欢迎联系我！联系方式QQ：741533684#我使用了残差模块设计了了两个相对对称的残差网络，分别做生成对抗网络的的生成器与判别器，基本原理其实与DCGAN类似。在此基础上，使用了不同于Binary cross entropy los
2021-08-03 16:27:12
4135
7
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人