先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Python全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Python知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024c (备注Python)
正文
labels = np.array(Image.open(bmp_file), dtype=np.uint8)
h,w,_ = image.shape
n_class = 12
mask = np.zeros((h,w,n_class),dtype=np.float32)
for i in range(n_class):
one_hot[labels==i,i] = 1
return map, image, mask
[mask, image, label] = tf.py_function(load_data, [image_file], [tf.float32, tf.float32, tf.float32])
了解了独热编码的语义分割掩码的格式后,我们将使用TensorFlow2
实现SPADE
。
实现SPADE
实例归一化
已在图像生成中非常流行,但是它往往会削弱分割蒙版的语义:假设输入图像仅包含一个分割标签;例如,假设整个图像都是天空,由于输入具有统一的值,因此输出在通过卷积层后也将具有统一的值。
实例归一化为每个通道计算跨维度(H, W)的平均值。因此,该通道的均值将是相同的统一值,并且用均值减去后的归一化激活将变为零。显然,语义已经丢失,这是一个十分极端的示例,但是逻辑是相似的,我们可以看到分割掩码随着其面积的增大而失去了其语义含义。
为了解决这个问题,SPADE
规范化了由分割蒙版限定的局部区域,而不是整个蒙版。下图显示了SPADE
的体系结构:
在批归一化中,计算跨维度(N, H, W)
的通道的均值和标准差,对于SPADE
来说是相同的。区别在于,每个通道的γ
和β
不再是标量值,而是二维向量,形状为(H, W)
。换句话说,对于每个从语义分割图中获悉的激活,都有一个γ
和β
值。因此,归一化被不同地应用于不同的分割区域。这两个参数是通过使用两个卷积层来学习的,如下图所示:
SPADE
不仅应用于网络输入阶段,同样还应用于内部层。现在,我们可以为使用TensorFlow2
的自定义层实现SPADE
。
将首先在__init__
构造函数中定义卷积层,如下所示:
class SPADE(layers.Layer):
def init(self, filters, epsilon=1e-5):
super(SPADE, self).init()
self.epsilon = epsilon
self.conv = layers.Conv2D(128, 3, padding=‘same’, activation=‘relu’)
self.conv_gamma = layers.Conv2D(filters, 3, padding=‘same’)
self.conv_beta = layers.Conv2D(filters, 3, padding=‘same’)
接下来,获得激活图尺寸,以在以后调整大小时使用:
def build(self, input_shape):
self.resize_shape = input_shape[1:3]
最后,在call()
中将层和操作连接在一起,如下所示:
def call(self, input_tensor, raw_mask):
mask = tf.image.resize(raw_mask, self.resize_shape, method=‘nearest’)
x = self.conv(mask)
gamma = self.conv_gamma(x)
beta = self.conv_beta(x)
mean, var = tf.nn.moments(input_tensor, axes=(0,1,2), keepdims=True)
std = tf.sqrt(var+self.epsilon)
normalized = (input_tensor - mean) / std
output = gamma * normalized + beta
return output
接下来,我们将研究如何利用SPADE
。
最后,将研究如何将SPADE
插入残差块中:
SPADE
残差块中的基本构建块是SPADE-ReLU-Conv
层。每个SPADE
都接受两个输入——上一层的激活和语义分割图。
与标准残差块一样,有两个卷积ReLU
层和一个跳跃路径。只要残差块之前和之后的通道数发生变化,就需要进行学习跳跃连接连接。发生这种情况时,前向路径中两个SPADE
的输入处的激活图将具有不同的尺寸。但是,我们已经在SPADE
块中内置了调整大小的功能。以下是用于SPADE
残差块构建所需图层的代码:
class Resblock(layers.Layer):
def init(self, filters):
super(Resblock, self).init()
self.filters = filters
def build(self, input_shape):
input_filter = input_shape[-1]
self.spade_1 = SPADE(input_filter)
self.spade_2 = SPADE(self.filters)
self.conv_1 = layers.Conv2D(self.filters, 3, padding=‘same’)
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
需要这份系统化的资料的朋友,可以添加V获取:vip1024c (备注python)*
[外链图片转存中…(img-Qvf1fEpT-1713390714819)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!