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):
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。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Python开发全套学习资料》,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,同时减轻大家的负担。
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,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
现在能在网上找到很多很多的学习资源,有免费的也有收费的,当我拿到1套比较全的学习资源之前,我并没着急去看第1节,我而是去审视这套资源是否值得学习,有时候也会去问一些学长的意见,如果可以之后,我会对这套学习资源做1个学习计划,我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料,质量还不错,大家可以跟着学习
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,都欢迎扫码加入我们的的圈子(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!
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,都欢迎扫码加入我们的的圈子(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!**
[外链图片转存中…(img-yWvQpNOZ-1712446737434)]