2021年05月_马鹏森

原创让老照片重现光彩（一）：Bringing Old Photos Back to Life

作者开创性地使用了两个变分自动编码器（VAEs），分别将旧照片、干净照片映射到两个不同的潜码空间。这里，r 是真实的旧照片；(x, y) 是通过数据合成产生的配对数据集，y 是干净照片集，x 是由 y 退化而得到的破损照片集。将数据集 { r }、{ x }、{ y } 分别映射到潜码空间 Zr 、Zx、Zy 。{ r }、{ x } 都是破损照片集，可以强化某种约束使 Zr ≈ Zx （通过联合训练的对抗判别器 adversarial discriminator 来闭合其域间隔）。利用合成的数据对..

2021-05-29 20:27:58 16913

原创 python查看程序运行时间、查看每行代码运行的时间、line_profiler

if __name__ == "__main__": import datetime start = datetime.datetime.now() print("Start running time: %s" % start) main() end=datetime.datetime.now() print("End running time: %s" % end) print('Running time: %s Seconds'%(end-sta.

2021-05-28 09:46:00 20349

原创 tf.assign() 更新ref通过给它重新赋值

tf.assign（）把value的值赋给ref，ref的值必须是Variable参数：tf.assign(ref, value, validate_shape=None, use_locking=None, name=None)使用案例：import tensorflow as tfx = tf.Variable(1)x = tf.assign(x, 2)sess = tf.Session()print(sess.run(x))Update `ref` by assignin

2021-05-26 15:35:35 16459

原创 tf.cast() 数据类型转换

tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换，比如读入的图片如果是int8类型的，一般在要在训练前把图像的数据格式转换为float32。cast定义：cast(x, dtype, name=None)第一个参数 x:待转换的数据（张量）第二个参数 dtype：目标数据类型第三个参数 name：可选参数，定义操作的名称int32转换为float32：import tensorflow as tft1 = tf.Variable([1,2...

2021-05-26 15:03:50 16669

原创 tf.div()除法运算

使用Python 2的除法运算符语义对x / y元素进行除法。(弃用)tf.div(x, y,name=None)警告:不推荐使用此函数。它将在未来的版本中被删除。更新说明:不支持操作符或tf.math.divide。注意:最好使用遵循Python 3除法运算符语义的张量除法运算符或tf.divide。这个函数除x和y，强制使用Python 2语义。也就是说，如果x和y都是整数，那么结果就是整数。这与Python 3形成了对比，Python 3中使用/的除法总是浮点数，而使用//的除法总是整数。.

2021-05-26 14:59:44 17225

原创线性插值(Linear Interpolation)：线性插值、双线性插值

目录1.关于插值：2.线性插值：3.线性插值举例：4.双线性插值法1.关于插值：插值，是根据已知的数据序列（可以理解为你坐标中一系列离散的点），找到其中的规律，然后根据找到的这个规律，来对其中尚未有数据记录的点进行数值估计。应用有：1）对数据中的缺失进行合理补偿2）对数据进行放大或缩小2.线性插值：线性插值是针对一维数据的插值方法。它根据一维数据序列中需要插值的点的左右临近两个数据来进行数值估计。当然了它不是求这两个点数据大小的平均值（在中心点的时候就等于平均...

2021-05-25 19:18:03 54075

原创 python: x = y if z = c else t

img=[1,2,3,4,5]channels = img[4] if img[2] == 3 else 1# 相当于if img[2] == 3: channels=img[4]else: channels=1print(channels)5

2021-05-25 14:50:26 16525

原创 Python3 sorted() 与sort()函数

描述sorted()函数对所有可迭代的对象进行排序操作。sort 与 sorted 区别：sort 是应用在 list 上的方法，sorted 可以对所有可迭代的对象进行排序操作。list 的 sort 方法返回的是对已经存在的列表进行操作，而内建函数 sorted 方法返回的是一个新的 list，而不是在原来的基础上进行的操作。语法sorted 语法：sorted(iterable, key=None, reverse=False) 参数说明：iterable.

2021-05-25 11:07:13 16191

原创 tf.group()用于组合多个操作

tf.group()用于创造一个操作，可以将传入参数的所有操作进行分组。API手册如:tf.group( *inputs, **kwargs)ops = tf.group(tensor1, tensor2,...)其中*inputs是0个或者多个用于组合tensor，一旦ops完成了，那么传入的tensor1,tensor2,...等等都会完成了，经常用于组合一些训练节点，如在Cycle GAN中的多个训练节点，例子如：generator_train_op = tf.tr...

2021-05-25 10:19:40 16333

原创 fig,ax = plt.subplots()

它是用来创建总画布/figure“窗口”的，有figure就可以在上边（或其中一个子网格/subplot上）作图了，（fig：是figure的缩写）。fig, ax = plt.subplots(1,3),其中参数1和3分别代表子图的行数和列数，一共有 1x3个子图像。函数返回一个figure图像和子图ax的array列表。fig, ax = plt.subplots(1,3,1),最后一个参数1代表第一个子图。如果想要设置子图的宽度和高度可以在函数内加入figsize值：fig, ax = pl..

2021-05-25 08:52:28 23164

原创 torch.mul() 和 torch.mm() 区别【矩阵a和b对应位相乘/矩阵相乘】

torch.mul(a, b)是矩阵a和b对应位相乘，a和b的维度必须相等，比如a的维度是(1, 2)，b的维度是(1, 2)，返回的仍是(1, 2)的矩阵torch.mm(a, b)是矩阵a和b矩阵相乘，比如a的维度是(1, 2)，b的维度是(2, 3)，返回的就是(1, 3)的矩阵https://blog.csdn.net/Real_Brilliant/article/details/85756477...

2021-05-17 19:51:32 16348

原创 torch.flatten()函数

“推平” tensortorch.flatten(input, start_dim=0, end_dim=-1)input: 一个 tensor，即要被“推平”的 tensor。 start_dim: “推平”的起始维度。 end_dim:“推平”的结束维度。1）flatten(x,1)是按照x的第1个维度拼接（按照列来拼接，横向拼接）；2）flatten(x,0)是按照x的第0个维度拼接（按照行来拼接，纵向拼接）；3）有时候会遇到flatten里面有两个维度参数，flatten(.

2021-05-17 19:46:15 18211

原创给图像添加噪声，高斯噪声、椒盐噪声

常见的噪声种类有：椒盐噪声、高斯噪声常见的去噪声方法有：均值滤波，中值滤波、高斯滤波import cv2 as cvimport numpy as npimport random as ra=cv.imread('img2_01.png')print(a.shape)cv.imshow('1',a)t1=cv.getTickCount()# ----------------------------椒盐噪声for i in range(a.shape[0]*a.shape[1]//

2021-05-16 19:33:32 17209

原创数据预处理之独热编码（One-Hot编码）【会让特征之间的距离计算更加合理】

1.前言————————————————————————————————————————在机器学习算法中，我们经常会遇到分类特征，例如：人的性别有男女，祖国有中国，美国，法国等。这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。那什么是特征数字化呢？例子如下：性别特征：["男"，"女"] 祖国特征：["中国"，"美国，"法国"] 运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"] 假如某个样本（某个人），他的特征是这样的["男"

2021-05-16 08:47:14 17407

原创用于故障诊断的残差收缩网络

目录1. Introduction（介绍）2. Architecture of the DRSN（DRSN的架构）2.1 Soft thresholding（软阈值）2.2 Architecture of the Developed DRSN-CS（DRSN-CS的架构）2.3 Architecture of the Developed DRSN-CW（DRSN-CW的架构）4. Conclusion（结论）1. Introduction（介绍）本文主要是针对于判断机械传动系

2021-05-15 20:26:27 17194

原创用torch.nn.Sequential()搭建神经网络模型

目录一、第一种方式（可以配合一些条件判断语句动态添加）二、第二种方式三、第三种方式torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。通俗的话说，就是根据自己的需求，把不同的函数组合成一个（小的）模块使用或者把组合的模块添加到自己的网络中。一、第一种方式（可以配合一些条件判断语句动态添加）模板——torch.nn.Sequential()的一个对象.add_module(name, module)。 name：某层次的名

2021-05-14 21:20:26 24960 5

原创 PyTorch存储和加载模型并查看参数，load_state_dict()，state_dict() + 使用多张GPU进行训练以及推理调用模型

# savetorch.save(model.state_dict(), PATH)# loadmodel = MyModel(*args, **kwargs)model.load_state_dict(torch.load(PATH))model.eval()model.state_dict()其实返回的是一个OrderDict，存储了网络结构的名字和对应的参数。在模型完成训练后，我们需要将训练好的模型保存为一个文件供测试使用，或者因为一些原因我们需要继续之前的状态训练之前保存的模型.

2021-05-14 17:07:33 23777

原创 VGG16网络，VGG19

前言VGG是Oxford的VisualGeometryGroup的组提出的（大家应该能看出VGG名字的由来了）。该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。VGG有两种结构，分别是VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。VGG原理VGG16相比AlexNet的一个改进是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片..

2021-05-14 15:53:42 18075

原创 Python 字典：普通字典(dict)、有序字典（OrderedDict）

Python 的基础数据类型中的字典类型分为：无序字典与有序字典两种类型1.无序字典（普通字典）dict()：输出：可以看见，遍历一个普通字典，返回的数据和定义字典时的字段顺序是不一致的2.有序字典 OrderedDict()输出：有序字典可以按字典中元素的插入顺序来输出。注意：有序字典的作用只是记住元素插入顺序并按顺序输出。如果有序字典中的元素一开始就定义好了，后面没有插入元素这一动作，那么遍历有序字典，其输出结果仍然是无序的，因为缺少了有序插入这一条

2021-05-14 15:17:21 17945 3

原创感知损失（perceptual loss）详解

本文来自收费专栏：https://blog.csdn.net/nanhuaibeian/article/details/102668095目录一.感知损失二、Loss_feature三、Loss_style一.感知损失图中：蓝线加黑线表示内容损失，作用在较低特征层上红线和黑线表示风格损失，作用在从低到高所有特征层上这个结构和GAN较为相似左边是Transform Net: fw，起着条件生成器的作用， pix2pix GAN 的生成器就也...

2021-05-14 11:34:35 45662 6

原创 pycharm如何修改注释行字体及颜色

修改代码的注释行颜色：settings->Editor->Color Scheme->python

2021-05-11 20:14:19 18628

原创 epochs，batch_size，iterations详解

batch/batch_size深度学习的优化算法，说白了就是梯度下降。每次的参数更新有两种方式。第一种，遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。这种方法每更新一次参数都要把数据集里的所有样本都看一遍，计算量开销大，计算速度慢，不支持在线学习，这称为Batch gradient descent，批梯度下降。另一种，每看一个数据就算一下损失函数，然后求梯度更新参数，这个称为随机梯度下降，stochastic gradient descent。这个方法速度比较快，但是收敛

2021-05-10 21:26:20 16392

原创 tf.keras.layers.Permute

更改维度的顺序,维度索引从1开始Permute：keras.layers.Permute(dims)根据给定的模式(dim)置换输入的维度。例如：model = Sequential()modle.add(Permute((2,1),input_shape=(10,64)))# 现在: model.output_shape == (None, 64,10)# “None"是batch的维度参数：dims: 整数元组，是置换模式，不包含样本维度，索引从1开始，例如(2,1)

2021-05-10 21:12:36 17934

原创局部连接层(Locally-Connected Layer)

局部连接层(Locally-Connected Layer)locally-conv的概念来自传统ML中的模型初始化（随机树方法中每个图像的crop都对应特定的一棵树）。参数共享这个策略并不是每个场景下都合适的。有一些特定的场合，我们不能把图片上的这些窗口数据都视作作用等同的。（特别是当卷积神经网络的输入图像是一些明确的中心结构时候）当图像局部相似匹配时，我们就应该期望在图片的不同位置学习到完全不同的特征。什么时候用local-conv？什么时候用全卷积（每一个点用同一个filter）？

2021-05-10 21:06:42 17294

原创 stylegan-encoder代码执行步骤和解释

目录（一）从图片中抽取并对齐人脸：（二）找到对齐人脸图片的latent表达：（三）从对齐的人脸头像提取特征码并生成StyleGAN头像：（四）用别人的特征码修饰你的照片特征码，并生成混合后的StyleGAN头像：在github.com 上有若干开源项目提供了源代码，我选用的开源项目是：pbaylies/stylegan-encoder，对应的网址是：https://github.com/pbaylies/stylegan-encoder他们把解决办法称之为“stochastic cl

2021-05-08 16:07:06 17737 5

原创使用神经网络自动提取出它的特征码（1）

能不能给出一个目标图像，使用神经网络自动提取出它的特征码呢？如果可以，那么我们就可以方便地对这些图像进行编辑，创造出各种各样“酷炫”的风格人像。这个工作可以分为两步：（1）先利用StyleGAN生成的特征码和生成的人脸图像训练一个网络，把人脸图像作为输入，把特征码作为输出，理论上可以得到一个StyleGAN的逆向网络模型，如果训练成功的话，这个模型可以自动将人脸图像转换为特征码；（2）利用真实人脸图像对上面得到的模型进行进一步训练和“微调”，使之能够用于真实人脸的特征码提取。这篇文章先说明第一步的

2021-05-07 09:57:01 17598

Zotero tags(action and tags for zotero)怎么使用

图像生成中的“Classifer guidance、Classifer-free guidance”是什么？

一文弄懂 Diffusion Model（DDPM）+ 代码实现

AE（自动编码器）与VAE（变分自动编码器）的区别和联系？

pycharm调整漂亮的颜色主题

pycharm调整漂亮的颜色主题

pycharm调整漂亮的颜色主题

pycharm调整漂亮的颜色主题

Endnote修改参考文献（References）的期刊全称为缩写

Endnote修改参考文献（References）的期刊全称为缩写

使用endnote编辑Nature Communication的参考文献格式

pan assay interference compounds (PAINS)

pycharm运行命令进行debug