- 博客(5)
- 收藏
- 关注
RSS订阅原创 kotlin从0到0.1
用关键字fun定义函数// Int 参数，返回值 Int return a + b } //Java int sum(int a , int b) {//kotlin fun sum(a : Int , b : Int) = a + b public fun sum(a : Int , b : Int) : Int = a + b // public 方法则必须明确写出返回类型 //Java Predicate < Integer > test1 = a -> a > 100;a = a + 10;
2023-08-08 14:59:17
108
原创 深度学习计划（4）SRGan简析
SRGAN一种用于图像超分辨率(SR)的生成对抗网络(GAN)超分辨率：从低分辨率(LR)图像来估计其对应高分辨率(HR)图像的高挑战性任务被称作超分辨率(SR)问题： 重建的SR图像中通常缺少纹理细节。有监督SR算法的优化目标通常是最小化恢复的HR图像和真实图像之间的均方差（MSE）。最小化MSE即最大化峰值信噪比(PSNR)是方便的，这是用来评估和比较SR算法的常用方法。补充： PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即基于误差敏感的
2020-11-09 14:52:55
5562
1
原创 深度学习计划（3）图片质量评估PSNR和SSIM
1. PSNR峰值信噪比PSNR峰值信噪比。将MSE均方误差定义为干净图像I和噪声图像K之间像素点间的欧式距离的均值。PSNR结合的是像素信息，数值高不代表人肉眼感受效果好。所以PSNR，单位为dB，定义为：其中MAX为图片可能的最大像素值。比如：255。一般地，针对 uint8 数据，最大像素值为 255,；针对浮点型数据，最大像素值为 1。上面是针对灰度图像的计算方法，如果是彩色图像，通常有三种方法来计算。分别计算 RGB 三个通道的 PSNR，然后取平均值。计算 RGB 三通道的 MSE
2020-11-07 21:39:08
1512
转载 深度学习计划（2）常见网络
LeNet-51.LeNet-5阐述了图像中像素特征之间的相关性能够由参数共享的卷积操作所提取，同时使用卷积、下采样（池化）和非线性映射这样的组合结构，是当前流行的大多数深度图像识别网络的基础。结构如下：2.LeNet-5 有7层，包括3个卷积层，2个下采样层，3个全连接层。其中下采样层和池化层类似，但是在池化过后，对输出数据还乘上权重，加上偏差，所以得到的参数量是（1+1）x6而不是零。网络配置如下：3.C3卷积层可训练参数并未直接连接中所有的特征图（Feature Map），.
2020-09-22 20:25:09
167
原创 深度学习计划（1）损失函数
1.损失函数信息熵代表的是随机变量或整个系统的不确定性，熵越大，随机变量或系统的不确定性就越大交叉熵，其用来衡量在给定的真实分布下，使用非真实分布所指定的策略消除系统的不确定性所需要付出的努力的大小。交叉熵越低，这个策略就越好，最低的交叉熵也就是使用了真实分布所计算出来的信息熵。相对熵，其用来衡量两个取值为正的函数或概率分布之间的差异方差代价函数非常好理解，即 最小化样本标签和模型输出的距离。但我们常常不用方差函数 作为代价函数，这是因为方差代价函数的两个缺点：...
2020-09-19 14:45:26
193
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