- 博客(18)
- 收藏
- 关注
RSS订阅原创 微信小游戏（五）
本篇是对Cocos creator 学习的相关介绍。Cocos立足于一个更大的视角，它将cocos家族中的所有开发框架、工具和编辑器整合到了一起。Cocos游戏开发一站式解决方案，包含了从新建立项、游戏制作、到打包上线的全套流程。开发者可以通过cocos快速生成代码、编辑资源和动画，最终输出适合于多个平台的游戏产品。JavaScript是一种属于网络的高级脚本语言,已经被广泛用于Web应用开发,常用来为网页添加各式各样的动态功能,为用户提供更流畅美观的浏览效果。......
2022-06-11 21:07:30
297
原创 微信小游戏（三）
本次主要内容为游戏主体的脚本，为重点内容。2.捕获按钮点击事件设置绳子设置判定结果判断是否捕获成功关闭按钮，继续游戏三、总结游戏脚本基本编写完成，与剩余部分工作结合后套奶牛游戏将基本完成。............
2022-06-11 16:59:16
456
原创 GFPGAN源代码分析（十三）
2021SC@SDUSC项目分析总结一、整体结构二、项目思想总结在GFP-GAN的模型框架中，主要用到了一个退化清除模块和一个预训练的GAN作为先验。两个模块通过隐编码映射和多个信道分割空间特征变化层（CS-SFT）连接。训练过程中，首先要对低质量人脸进行降噪等粗处理，然后保留面部信息。在保真度方面，研究人员引入了一个面部损失（ Facial Component Loss），判断哪些细节需要提升保留，然后再用识别保留损失（Identity Preserving Loss）进行修复。三、结构
2021-12-28 00:31:23
1867
原创 GFPGAN源代码分析（十二）
2021SC@SDUSC重点函数nn.sequential分析1.nn.sequential简介A sequential container. Modules will be added to it in the order they are passed in the constructor. Alternatively, an ordered dict of modules can also be passed in.一个有序的容器，神经网络模块将按照在传入构造器的顺序依次被添加到计算图中执
2021-12-28 00:17:50
156
原创 GFPGAN源代码分析（十一）
2021SC@SDUSC重点类nn.Module分析1.nn.Module简介我们在定义自已的网络的时候，需要继承nn.Module类，并重新实现构造函数__init__构造函数和forward这两个方法。（1）一般把网络中具有可学习参数的层（如全连接层、卷积层等）放在构造函数__init__()中，当然我也可以吧不具有参数的层也放在里面；（2）一般把不具有可学习参数的层(如ReLU、dropout、BatchNormanation层)可放在构造函数中，也可不放在构造函数中，如果不放在构造函数_
2021-12-28 00:06:51
812
原创 GFPGAN源代码分析（十）
2021SC@SDUSC一、分析的代码片段1.代码展示class FFHQDegradationDataset(data.Dataset): def __init__(self, opt): super(FFHQDegradationDataset, self).__init__() self.opt = opt # file client (io backend) self.file_client = None
2021-12-27 23:48:01
348
原创 GFPGAN源代码分析（九）
2021SC@SDUSC一、分析的代码片段1.代码展示class GFPGANer(): def __init__(self, model_path, upscale=2, arch='clean', channel_multiplier=2, bg_upsampler=None): self.upscale = upscale self.bg_upsampler = bg_upsampler # initialize model
2021-12-27 23:27:32
814
原创 GFPGAN源代码分析（八）
2021SC@SDUSC一、分析的代码片段1. 代码展示 def forward(self, x, return_latents=False, save_feat_path=None, load_feat_path=None, return_rgb=True, randomize_noise=True):
2021-12-27 18:11:47
282
原创 GFPGAN源代码分析（七）
2021SC@SDUSC一、分析的代码片段1.代码展示# for SFT self.condition_scale = nn.ModuleList() self.condition_shift = nn.ModuleList() for i in range(3, self.log_size + 1): out_channels = channels[f'{2**i}'] if sft_half:
2021-12-27 17:01:54
460
原创 GFPGAN源代码分析（六）
2021SC@SDUSC一、分析的代码片段1.代码展示 if different_w: linear_out_channel = (int(math.log(out_size, 2)) * 2 - 2) * num_style_feat else: linear_out_channel = num_style_feat self.final_linear = nn.Linear(channels['4']
2021-12-27 16:39:34
1317
原创 GFPGAN源代码分析（五）
2021SC@SDUSC一、分析的代码片段1.代码展示# downsample in_channels = channels[f'{first_out_size}'] self.conv_body_down = nn.ModuleList() for i in range(self.log_size, 2, -1): out_channels = channels[f'{2**(i - 1)}'] self
2021-12-27 16:30:39
402
原创 GFPGAN源代码分析（四）
2021SC@SDUSC一、分析的代码片段1.代码展示class GFPGANv1Clean(nn.Module): """GFPGANv1 Clean version.""" def __init__( self, out_size, num_style_feat=512, channel_multiplier=1, decoder_load_path=None,
2021-12-27 14:50:28
319
原创 GFPGAN源代码分析（三）
2021SC@SDUSC一、分析的代码片段1.代码展示class ResBlock(nn.Module): """Residual block with upsampling/downsampling. Args: in_channels (int): Channel number of the input. out_channels (int): Channel number of the output. """ def __ini
2021-12-27 13:46:20
337
原创 GFPGAN源代码分析（二）
2021SC@SDUSC一、分析的代码片段1.代码展示"""StyleGAN2 Generator. Args: out_size (int): The spatial size of outputs. num_style_feat (int): Channel number of style features. Default: 512. num_mlp (int): Layer number of MLP style layers. Def
2021-12-27 13:37:21
3524
原创 GFPGAN源代码分析（一）项目综述
GFPGAN源代码分析（一）项目综述2021SC@SDUSC一、项目简介1.简介GFP-GAN 模型由退化去除模块和预先训练的人脸生成器组成。它们通过直接潜在代码映射连接到使用 CS SFT 层的粗到细通道。CS-SFT 层对分割的特征执行空间调制，并让左侧的特征直接通过以更好地保存信息，从而允许所提出的方法结合生成先验，同时有效地重新训练高保真度。此外，研究人员在局部鉴别器中引入了面部成分损失，以进一步增强感知面部细节和身份保留增益，从而提高整体质量。2.人脸修复示例展示3.GFPGAN主要
2021-09-30 20:48:24
2512
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