點開鏈接以後別忘了回來點個贊 o -_-!
1、GAN中用到的損失函數BCELoss 這篇文章講的特清楚： Pytorch詳解BCELoss和BCEWithLogitsLoss
2、圖像質量評價指標PSNR，MSE，SSIM：
先講PSNR和MSE: PSNR 與MSE
（由於基於差剖面的簡單計算不符合人類視覺系統（Human Visual System，HVS）的評價結果，因此需要對評價方式進行重新考量。如果圖片的最終目的是對人類展示的話，那麼質量應該以人的主管測評爲準。但是由於主管評價不方便且費時，因此我們試圖用客觀的 image quality assessment 來對圖像進行評價，使其接近 HVS 的特點。由於 HVS 具有可以抓取圖像的結構特徵的特點，因此設計 Structural Similarity 進行評價，即 SSIM 。）--------摘自以下鏈接 ： 圖像質量評估指標 SSIM / PSNR / MSE
這篇文章講SSIM很清楚： SSIM(結構相似性)-數學公式及python實現
3、pixel-wise，patch-wise，image-wise：圖像分割中的一些術語，pixel-wise，patch-wise，image-wise
4、epoch、batchsize、iteration：關於 epoch、 iteration和batchsize
5、Retinex及其相關圖像增強算法理論 ：Retinex理論
6、全變分（TV）去噪： 淺談圖象的全變分和去噪
7、空洞卷積：卷積，特徵圖，轉置卷積和空洞卷積的計算細節
8、Adam優化方法：
Adam 的參數配置 ：摘自鏈接 https://www.jianshu.com/p/3e363f5e1a79
alpha：同樣也稱爲學習率或步長因子，它控制了權重的更新比率（如 0.001）。較大的值（如 0.3）在學習率更新前會有更快的初始學習，而較小的值（如 1.0E-5）會令訓練收斂到更好的性能。
beta1：一階矩估計的指數衰減率（如 0.9）。
beta2：二階矩估計的指數衰減率（如 0.999）。該超參數在稀疏梯度（如在 NLP 或計算機視覺任務中）中應該設置爲接近 1 的數。
epsilon：該參數是非常小的數，其爲了防止在實現中除以零（如 10E-8）。
另外，學習率衰減同樣可以應用到 Adam 中。原論文使用衰減率 alpha = alpha/sqrt(t) 在 logistic 迴歸每個 epoch(t) 中都得到更新。
Adam 論文建議的參數設定：
測試機器學習問題比較好的默認參數設定爲：alpha=0.001、beta1=0.9、beta2=0.999 和 epsilon=10E−8。
我們也可以看到流行的深度學習庫都採用了該論文推薦的參數作爲默認設定。
9、pytorch用matplotlib（pycharm）顯示圖像問題彙總
https://www.jianshu.com/p/778d78463028
(未完待續)