weixin_44881806的博客

原创 Ultra DMA CRC 错误计数 【警告】

2、用AIDA64或HDTUNE看下SMART健康值，看数值是否增加，如果增加了，就把关机下把硬盘线对调多插拔几次或和光驱线换下看是否增加，不增加了还蓝屏有有可能是其它问题。3、如果使用的是鲁大师检测出现“ultra dma crc 错误计数”而电脑本身没有什么问题出现，那么可以忽略，因为有大量用户正常的电脑检测都是这样的结果。通过这个软件我发现，该项处于良好状态，我瞬间松了口气！但为了之后再出问题，我决定购买移动硬盘及时备份！1、首先尝试换一条做工质量都比较好的SATA数据线，看问题能否解决。

原创 invalid index of a 0-dim tensor. Use `tensor.item()` in Python or `tensor.item＜T＞()` in C++

0-dim张量的无效索引。在Python中使用' tensor.item() '或在c++中使用' tensor.item() '将0-dim张量转换为数字。因科研需要，需要实现SSIM指标评价，因此到Github下载原代码。

原创 UCTGAN: 基于无监督跨空间转化的多样性修复（2020 CVPR）

提出了UCTGAN（无监督跨空间转化条件生成对抗网络），两个编码器网络将实例图片和受损图片投影到低维流形空间，然后跨语义注意力层将低维空间特征结合，最后，生成器计算出条件重构图像。损失函数由四部分组成。此外，还增加了实例图像和真实图像在低维空间的L1范数。最后，以生成对抗网络训练模型，且判别器在图像空间对图像进行判别。如何以实例图像引导重建为条件进行多元图像修复，并且最大化训练数据集变分下界的条件似然对数？提出了用实例图像引导多元修复的模型框架，模型可以学习掩码图像的分布，并合成修复结果。

原创 PiiGAN：用于多元图像修复的生成性对抗网络（2020 IEEE Access三区）

2020年，蔡和伟等人提出的PiiGAN，开辟了GANs用于多样化图像修复的道路。PiiGAN是一个深度生成模型，该模型融入能够提取风格特征的风格提取器，从而帮助生成对抗网络，提取图像的潜在特征。准确地说,该模型由一个生成器和提取器网络组成，并且以平行结构地形式进行多元图像修复。在生成对抗网络中使用特征提取器，并引入一致性损失，引导生成器学习与输入图像语义匹配的各种形式。如何使用GAN网络进行多样性图像修复？

原创 Pluralistic Image Completion（2019 CVPR）论文解读

问题如何得到不完整图像潜层变量的分布，并且从该分布中采样的得到完整的图像？创新点1.提出了两条并行训练的新网络结构，将先验条件和潜在变量耦合产生多元结果。2.在生成网络中加入长短期注意力层，提高真实感。

原创 Solving environment: failed

应该是环境配置文件是在别的机器上导出的，文件里的软件包是按照那个机器配置的，导出的时候，把这些包的详细信息也导了出来。当我们按照这个文件创建环境时，conda会结合我们机器的配置信息，按照配置文件里包的详细信息，去找这个包，结果发现“查无此包”，环境创建失败，报出。使用conda env create -f environment.yml出现以下问题，删除包的具体信息，即包名称第二个等号及后面的内容。

原创 ImportError: cannot import name ‘_joblib_parallel_args‘ from ‘sklearn.utils.fixes‘

最近在做数学建模，要使用深度森林算法，于是我安装了相应的模块，但是在调用的时候，scikit-learn中的函数一直报错，如下图于是查找资料，但是找到的资料都是GitHub上的英文解决方案，因此我自己做了笔记，来帮助其他人解决这个问题。

原创 生成式对抗网络的效果评估

GAN是当今最流行的图像生成模型之一; 我们可以在很多论文中看到用不同的GAN生成的清晰又逼真的图像。然而，如果仅用肉眼来对图像质量进行主观评价，显然不能科学地评估一个模型的性能，我们需要用恰当的方法来定量地衡量GAN的生成能力，准确地刻画生成样本的质量和多样性，度量生成分布与真实分布之间的差异。目前我们往往通过IS (Inception Score)、FID ( Frechet Inception Distance )对生成样本的质量和多样性进行评估。...

原创 单阶段单结果图像修复

本文整理了单阶段单一结果图像修复的一些论文，帮助读者了解和整理思路。上下文编码Pathak等人提出了一种上下文编码图像修复网络，该网络使用向上下像素预测的方法，将无监督特征学习应用到大孔洞图像修复。模型结构如图所示。编码端提取输入图像的特征表示，解码端将压缩后的特征图逐步放大，恢复到原始图像的大小。由于卷积层不能直接连接特定特征地图中的所有位置，因此由卷积层组成的编码器无法使信息从特征地图的一个角落直接传播到另一个角落。提出了一种基于步长1卷积的全连通层跨通道信息传播方法，作为编解码器之间的

原创 变分自编码VAE

前言VAE模型是Kingma(也是Adam的作者)大神在2013年发表的文章，是一篇非常非常经典，且实现非常优雅的生成模型，同时它还为bayes概率图模型难以求解的问题提供了一种有效的思路。论文原名为Auto-Encoding Variational Bayes，是一种通用的利用auto-encoding方法结合variational lower bound求解bayes图模型隐变量的方法论。而VAE(Variational Auto-Encoding)是在该方法论下的一个具体示例。先介绍一下有向图

原创 图像去雾方法介绍

背景介绍在计算机视觉和计算机图形学中，广泛用于描述有雾图像形成的模型是其中， 𝐼(𝑥)是指是指的观测到的亮度，即从拍到图片中获取到的亮度，这个是已知值。J(𝑥)是scene radiance，我是理解成为去雾、恢复之后的图像，是我们的目标。 t(𝑥)是描述未散射并到达相机的那部分光的透射率。 A是atmospheric light全球大气光成分。去雾的目的就是根据已有的图片，按照上式计算得到原始无雾图像，透射率以及估算全球大气光成分。右边的第一项J(x)t(x)称为直接衰减，第二项A(1-.

原创 scipy更新后imread，imresize函数被弃用，如何在新版本中替换

SciPy最新官方文档的说明（20190730）：Functions from scipy.interpolate (spleval, spline, splmake, and spltopp) and functions from scipy.misc (bytescale,fromimage, imfilter, imread, imresize, imrotate, imsave, imshow, toimage)have been removed. The former set has be..

原创 python3.6导入matplotlib时报错‘version_info‘ object has no attribute ‘__version__‘

matplotlib安装好了但是进行导入的时候就报错如下图：经过搜集资料通过如下方法解决：找到路径中的位置C:\Ananconda\envs\tf_1_5\Lib\site-packages\pyparsing（因为我是在tensorflow中跑的代码，相应的python环境也在这里面，你只需要找到安装python的位置，就可以找到对应的__init__.py文件）打开__init__.py文件并将下面的代码进行修改class version_info(NamedTuple..

转载 LC买卖股票的时机 II

题目要求：给定一个数组 prices ，其中 prices[i] 表示股票第 i 天的价格。在每一天，你可能会决定购买和/或出售股票。你在任何时候最多只能持有一股票。你也可以购买它，然后在同一天 出售。返回你能获得的最大利润 。题目示例：一行代码：class Solution: def maxProfit(self, prices: List[int]) -> int: return sum(prices[i+1]-prices[i] for i in

原创 Conda 安装git的方法

转载 git clone 的意思

git clone是拷贝一个仓库到本地的意思，让自己能够查看该项目，或者进行修改。拷贝项目命令格式如下：git clone [url]例如我们拷贝 Github 上的项目：$ git clone https://github.com/tianqixin/runoob-git-testCloning into 'runoob-git-test'...remote: Enumerating objects: 12, done.remote: Total 12 (delta 0), ..

原创 基于生成对抗网络结构的图像修复（GAN）

GAN网络的最初发展史自2014 年10 月Goodfellow 等人提出了一个通过对抗过程生成模型的框架开始，GAN 网络就成为近年来在无监督学习复杂分布中最具前景的方法之一。而其最初给研究人员的感性认识就是“无中生有”(可以通过噪声生成数据库中不存在的同类型物体) ，具有强大的图像生成能力，因此使用GAN网络进行图像中破损区域的生成也成为研究人员探索的一个方向。GAN 网络的基本结构GAN 网络的基本结构如图 8 所示。主要包括一个生成模型G和一个判断模型D 。判断模型D本质上是一个分类器，

原创 LINUX（ubuntu）查看文件的位置

sudo find / -name "*name*""*name*"，这里的name就是你要找的文件名字

原创 基于卷积自编码网络结构的图像修复

基于自编码器的生成网络深度自编码器( DAE) 网络，图2 给出了一个5层的深度自编码器网络示意图，其隐层( L2 ～ L4)的节点数目由多到少，再由少到多，最后输出层节点与输入层节点的数目一致。本质上， 中间的每层都是原输入的一个表示， 最低维度的表示在 L3 层。深度网络的训练深度置信网络(DBN)提出了非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，在深度网络的训练中，先用无监督逐层贪心训练算法对隐层完成预训练，然后使用反向传播( BP) ...

原创 神经网络优化算法

目录什么是优化算法？神经网络优化算法介绍1.Batch Gradient Descent （BGD）2.Stochastic Gradient Descent (SGD)3.Mini-Batch Gradient Descent （MBGD）4.Momentum5.Nesterov Accelerated Gradient6.Adagrad(Adaptive gradient algorithm)7.Adadelta8.Adam：Adaptive Moment Es.

原创 Tensorflow安装后出现的问题

在Tensorflow安装完成后，为了检查是否安装成功时出现以下问题(tf_gpu) C:\Users\1789834715>pythonPython 3.9.7 (default, Sep 16 2021, 16:59:28) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32Type "help", "copyright", "credits" or "license" for more information.>>&

原创 图像修复之基于PDE的正则化或扩散基础

最简单的公式涉及各向同性正规化(或扩散)，它源于线性热(或热流)方程

原创 模型选择、欠拟合和过拟合

当模型在训练数据集上更更准确时，它在测试数据集上却不不⼀一定更更准确。这是为什么呢？训练误差和泛化误差在解释上述现象之前，我们需要区分训练误差（ training error）和泛化误差（ generalizationerror）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归⽤用到的平⽅方损失函数和softma...

原创 经典激活函数概述

关于激活函数的讨论 CNN可以利用不同的激活功能来表达复杂的特征。与人脑神经元模型的功能类似，这里的激活功能是一个单元，决定哪些信息应该传输到下一个神经元。神经网络中的每个神经元接受前一层神经元的输出值作为输入，并将处理后的值传递给下一层。在多层神经网络中，两层之间有一个函数，该函数称为激活函数，其结构如图12所示。如果未使用激活函数或使用线性函数，则每层的输入将是前一层输出的线性函数。在这种情况下，Heet al.验证无论神经网络有多少层，输出总...

原创 经典卷积概述

本文内容主要是对一些经典卷积的概述，包括现代CNN的基本构建模块，可变形卷积，组卷积，可控制卷积，等等。CNN图1.CNN层和FC层示意图首先介绍一下卷积神经网络(CNN)，CNN有以下三个特点：局部连接——每个神经元不再与前一层的所有神经元相连，而只与少数神经元相连，有效地减少了参数，加快了收敛速度。 权值共享——一组连接可以共享相同的权值，这进一步减少了参数。 降采样降维—池化层利用图像局部相关原理对图像进行降采样，在保留有用信息的同时减少数据量。...

原创 Python面向对象之类和对象的创建

Python从设计之初就已经是一门面向对象的语言，正因为如此，在Python中创建一个类和对象是很容易的。如果你以前没有接触过面向对象的编程语言，那你可能需要先了解一些面向对象语言的一些基本特征，在头脑里头形成一个基本的面向对象的概念，这样有助于你更容易的学习Python的面向对象编程。面向对象的由来：60年代中期的软件危机落后的软件生产方式无法满足迅速增长的计算机软件需求，从而导致软件开发与维护过程中出现一系列问题的现象 软件标准化与可重用性得到了工业界...

原创 Softmax回归模型及其代码实现

一、Softamx回归模型的原理softmax回归跟线性回归一样，都是将输入特征与权重做线性叠加。与线性回归的一个主要不同在于，softmax回归的输出值个数等于标签里的类别数。比如线性回归中很常见的问题----预测房屋价格，我们通常会选取面积（平方米）和房龄（年）作为影响价格的两个因素，在这里面积和房龄作为特征而输出只有一个价格的预测值。而对于softmax，它更适用于做分类预测，比如在垃圾邮件分类问题中，我们往往需要选取几个主要的特征作为系统的输入，然后经过softmax分类算法得到...