![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
python与深度学习、神经网络
python与深度学习、神经网络
SKY_yiyi_9
所做的记录,最主要是为了给自己看的
展开
-
从零搭建完整 AI 开发环境,写出第一个 AI 应用-之遇到的问题及解决--已弃
之后放弃了,还没成功学习链接:http://www.sohu.com/a/249136079_629694 配置 AI 开发环境安装要求 /满足检查并安装Git /满足Git 安装页面:https://git-scm.com/download/win检查并安装NVIDIA显示机器学习包 /满足1.确认显卡是NVIDIA,并支持cuda...翻译 2019-03-28 21:30:20 · 684 阅读 · 0 评论 -
关于复频域内求内积
复数和复数相乘,在这里,实际上是复数和复数的共轭进行的相乘。复数域上的内积同理。翻译 2019-03-28 21:30:46 · 3263 阅读 · 0 评论 -
结构稀疏模型
结构稀疏模型。单个信号的先验:单个信号的块稀疏结构,高斯统计分布。多个信号的先验:MMV模型,联合稀疏模型自相似。基于分类。基于协同融合方法。像素级。特征级。决策级。线性加权图像融合。基于金字塔变换的图像融合。基于 PCA 的图像融合。基于小波变换的图像融合。同步匹配追踪SOMP融合方法稀疏表示是指,一个信号在过完备字典中,可以由少数个原子线性表达,贪婪算法的核心是每次从字典的原子中选择一个最优原子来表示原始的信号。...原创 2020-08-09 16:08:57 · 1078 阅读 · 0 评论 -
最近看的网络框架
SDAFCN_CS(DBSC)IRCNNLDAMPReconNetDR2NetCSNetTIP_CSNetISTAISTA+Nl_MRN原创 2020-08-09 11:15:42 · 214 阅读 · 0 评论 -
BCS 图像分块压缩感知
BCS即图像分块压缩感知,将图像分成多个大小为B×B的图像块,设xj为每块的列向量表示,对每一个图像块采用观测矩阵ΦB来测量。则每个图像块所对应得到的观测向量为yj=ΦBxj,其中ΦB是MB×B2的正交测量矩阵,并且有MB=[M/N]B2。使用分块压缩感知有以下几个好处:首先由于分块后观测矩阵ΦB的尺寸变小,降低了所需的存储空间;其次,在编码端不需要等到整幅图像都完成观测后再进行编码,能在图像块投影到观测矩阵后就进行编码传输;最后算法中初始化使用的x(0)是根据最小均方误差来计算的,分块后的图像由于观测原创 2020-08-09 16:14:03 · 2586 阅读 · 0 评论 -
python-轮子-SE模块
SEclass SELayer(nn.Module): def __init__(self, channel, reduction=16): super(SELayer, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Conv2d(channel, channel // reduction, kernel原创 2023-07-13 17:17:45 · 159 阅读 · 0 评论 -
绘制sigmoid函数,且将坐标轴移至原点
工具:matlab 2018a新建m文件。键入如下代码。function sigmoid(x)x = linspace(-10.0,10.0);y = 1./ (1.0 + exp(-1.0*x));plot(x,y)图形如下上面的代码已经把图像绘制出来了,但是,它的坐标轴起点在(-10,0),而不在原点(0,0)。实际上,我想绘制的图像是,坐标轴起...原创 2019-03-28 21:22:13 · 2012 阅读 · 0 评论 -
GHMC代码中函数含义
代码import torchimport torch.nn.functional as Ffrom torch.autograd import Variableclass GHMC_Loss: def __init__(self, bins=10, momentum=0.0): self.bins = bins self.momentum = momentum self.edges = [float(x) / bins for x in ra原创 2020-08-09 16:25:04 · 726 阅读 · 0 评论 -
python-基础-计算模型参数总量
计算模型参数总量方法1:pytorch自带方法,计算模型参数总量total = sum([param.nelement() for param in model.parameters()])print(“Number of parameter: %.2fM” % (total/1e6))例子:红色断点放到下一行,并用debug运行。结果为:方法2:用工具包thop要安装:pip install thop在程序里输入:from thop import profilefrom thop原创 2020-08-16 20:04:34 · 7887 阅读 · 2 评论 -
关于loss与学习率
每一个batch(批次)里都有一个loss_alltrain_losses 则是汇集了当前epoch中所有的loss_alltrain_loss 是当前epoch对应的train_losses的平均train_lossesavg_train_losses 则是汇集了所有的train_losstrain_losses.append(loss_all.item())#每个batch里面的损失 train_loss = np.average(train_losses)#每个epoch里面的平均原创 2021-05-23 11:25:02 · 1162 阅读 · 0 评论 -
pytorch的transpose和numpy的transpose
import torchtorch_a=torch.tensor([[2,2,3],[4,4,5]])numpy_a=torch_a.data.numpy()numpy_a_t=numpy_a.transpose()torch_a_t01=torch_a.transpose(0,1)numpy_a_t_tensor=torch.from_numpy(numpy_a_t)torch_a=torch.tensor([[2,2,3],[4,4,5]])numpy_a_t: shape:(3原创 2023-07-13 15:53:07 · 90 阅读 · 0 评论 -
基于python 和anaconda搭建环境
不同的是,anaconda Navigator的操作是基于界面的。创建环境 conda create –name python36 python==3.6 (注:python36为环境名,可自设)删除环境 conda remove -n python36 –all (注:python36为环境名,可自设)Anaconda、conda、pip、virtualenv ,都可以用于包管理(包括包下载、包安装、包卸载)查看可安装的包 conda search pandas (注:pandas为包名,可自设)原创 2023-07-13 16:07:29 · 216 阅读 · 0 评论 -
图像的分类:3类。可视化
根据光滑度的不同,将一张完整的图片分割成三张图片。原创 2020-12-12 16:17:38 · 597 阅读 · 0 评论 -
pytorch-函数使用- repeat
x = torch.randn(4, 1)xx = x.repeat(1, 5)output:x:tensor([[ 0.6720], [-0.2683], [ 1.0877], [-1.8444]])xx:tensor([[ 0.6720, 0.6720, 0.6720, 0.6720, 0.6720], [-0.2683, -0.2683, -0.2683, -0.2683, -0.2683], [ 1.原创 2023-07-13 17:11:26 · 44 阅读 · 0 评论 -
python-计算两个矩阵的相似度。
余弦相似度在pytorch中,有一个专门的函数用于计算相似度:torch.cosine_similarity()https://pytorch.org/docs/stable/nn.functional.html#cosine-similarityimport torchimport torch.nn.functional as Finput1 = torch.randn(100, 128)input2 = torch.randn(100, 128)output = F.cosine_s原创 2023-07-13 17:14:30 · 1462 阅读 · 0 评论 -
python-函数用法-F.conv_transpose2d
F.conv_transpose2dtorch.nn.functional.conv_transpose2d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor对由多个输入平面组成的输入图像应用二维转置卷积算子, 有时也称为反卷积.>>> # With square kernels and equal stride>>> i原创 2023-07-13 17:13:43 · 1557 阅读 · 0 评论 -
pytorch0-图像处- 读取一张图像并显示
import numpy as npimport matplotlib.pyplot as pltfrom PIL import Imagedef plt_image(): image_dir = 'E:/dataset/Set11/cameraman.tif' image = Image.open(image_dir) image = np.array(image) print("image_shape: ", image.shape) print("ima原创 2020-09-21 15:25:08 · 3492 阅读 · 1 评论 -
garbor核
garbor核gabor = Gabor_filter(K_size=3, Sigma=10, Gamma=1.2, Lambda=10, Psi=0, angle=A)# get gabor kernelsize=3size=50size=111原创 2020-11-05 10:39:15 · 167 阅读 · 0 评论 -
我的分块图像数据预处理数据对比
imgName = filepaths[img_no] Img = cv2.imread(imgName, 1) # Img为256,256,3 # Img_yuv=Img_rec_yuv为256,256,3 Img_yuv = cv2.cvtColor(Img, cv2.COLOR_BGR2YCrCb) Img_rec_yuv = Img_yuv.copy() # Iorg的sha...原创 2020-09-18 22:49:08 · 338 阅读 · 0 评论 -
softmax和权重对应相加
ass=torch.tensor([2, 4, 4]).type(torch.FloatTensor)asas=torch.softmax(ass,0)#结果asas:tensor([0.2905, 0.3548, 0.3548]) num_zi = torch.sum(torch.pow(raw_wi_repeat - wi, 2), dim=0, keepdim=True) # [1,4] num_zi = (-num_zi).原创 2023-07-13 15:53:32 · 243 阅读 · 0 评论 -
pytorch的clamp 同np.clip:限制在某一范围内
1.numpyclipnumpy.clip(a, a_min, a_max, out=None)a是一个数组,后面两个参数分别表示最小和最大值。也就是说clip这个函数将将数组中的元素限制在a_min, a_max之间,大于a_max的就使得它等于 a_max,小于a_min,的就使得它等于a_min。import numpy as npx=np.array([1,2,3,5,6,7,8,9])np.clip(x,3,8)Out[88]:array([3, 3, 3, 5, 6, 7, 8,原创 2020-12-12 16:09:54 · 12777 阅读 · 1 评论 -
2范数归一化 错误记录
#2范数归一化def l2_norm(input, dim=0):#dim=0行,dim=1列 norm = torch.norm(input, 2, dim, True)#torch.norm(input, p, dim, out=None,keepdim=False) p (float):范数计算中的幂指数值 True:保持维度 output = torch.div(input, norm) return output看齐的对象:tensor([[0.4980, 0.48原创 2020-09-18 23:01:47 · 250 阅读 · 0 评论 -
cross-scale non-local attention
Image Super-Resolution with Cross-Scale Non-Local Attentionand Exhaustive Self-Exemplars Mining#cross-scale non-local attentionclass CrossScaleAttention(nn.Module): def __init__(self, channel=128, reduction=2, ksize=3, scale=3, stride=1, softmax_sca原创 2020-08-12 18:15:28 · 1057 阅读 · 2 评论 -
mincs滑动取块代码
def img2col_py(Ipad, block_size): [row, col] = Ipad.shape row_block = row/block_size col_block = col/block_size block_num = int(row_block*col_block) img_col =torch.zeros([block_size**2, block_num]) count = 0 for x in range(0, ro原创 2020-12-20 17:03:02 · 306 阅读 · 1 评论