原创 Sub-pixel Convolution

    Sub-pixel Convolution叫做子像素卷積,一般用於SR(超分辨率)中。用於在網絡的末端對特徵圖進行放大。常見的方法有直接上採樣,雙線性插值等。   Sub-pixel Convolution的做法如下。    

原创 插值(三) nearest-neighbor(最近鄰插值)

  這個方法是很簡單的,但是用於圖像插值的時候,放大後的圖片會比較模糊。也用於實時3D圖像的重建和選擇紋理表面的顏色值    這個不需要複雜的計算。   當在A區域時選擇(i,j)處的值,當在B區域時選擇(i+,j)處的值,當在C區域時選

原创 插值(四)cubic interpolation(三次插值)

nn    之前說過,插值就是用已知的點模擬一個方程,然後求未知點。之前講的插值是線性的。cubic interpolation就是求一個三次的方程。它的思想就是把已知的數分爲一個一個小區間,人擬合到曲線上去。就是一個多分段函數高階函數(

原创 插值(一)Linear interpolation(線性插值)

   看超分辨率的論文,看到Bicubic Interpolation(雙三次插值),去看文檔,說是基於cubic Interpolationnterpolation(三次插值)。 然後文檔裏面寫The interpolated surf

原创 插值(二)Bilinear interpolation(雙線性插值)

     上次說到linear interpolation(這可能是一部連續劇吧,哈哈)。     bilinear interpolation 是先在一個方向用linear interpolation。再在另外一個方向用linear i

原创 插值(五)Bicubic interpolation(雙三次插值)

    感覺瞭解插值就像是打怪一樣,現在終於打到這個終極大boss了。插值最後一篇。      上一篇我們講了cubic interpolation(三次插值),這一篇我們來講bicubic interpolation(雙線性插值)  

原创 深度學習入門 基於python理論和實踐讀書筆記(八)

第四章 神經網絡學習 第五節 學習算法的實現 隨機梯度下降法(SGD)就是指用於計算梯度的數據是隨機選取的 mini batch數據。 2層神經網絡的類 用python實現 import os,sys sys.path.appen

原创 深度學習入門 基於python理論和實踐讀書筆記(七)

第四章 神經網絡學習 第四節 第三節的內容是一些數學小知識,在高數課上老師講過,這裏我也不復習了。 梯度 由全部變量的偏導數彙總而成的向量稱爲梯度。 python實現代碼 def numerical_gradient(f ,x):

原创 深度學習入門 基於python理論和實踐讀書筆記(三)

第三章 神經網絡 第三 四節 3.1和3.2講的是矩陣非常基礎的知識,這裏就不復習了,線代學習的時候老師講過。 神經網絡內積 用numpy矩陣來實現神經網絡,暫時忽略偏置和激活函數。如下示意圖。 3層網絡的實現 先定義符號,符號

原创 深度學習入門 基於python理論和實踐讀書筆記(十三)

第五章 誤差反向傳播法 第七節 誤差反向傳播的實現 神經網絡學習的全貌圖 神經網絡學習的前提是有適合的權重和偏置。 神經網絡學習分爲4個步驟 第一步(mini-batch) 從訓練數據在隨機選擇一部分數據。 第二步(計算梯度) 計

原创 Google chrome瀏覽器同步書籤

如果說用了OneDns還是不能登錄Google賬號,就用插件吧(這裏不說OneDns的具體用法,因爲他官網怎麼用講得很詳細https://www.onedns.net/settings) 插件有兩個,需要的在我下面留言,發給你們 第一步在

原创 深度學習入門 基於python理論和實踐讀書筆記(十)

第五章 誤差反向傳播法 第四節 簡單層的實現 這個實現是以上一節的蘋果例子。把要在計算圖乘法節點稱爲“乘法層(MuLayer)”,加法節點稱爲“加法層(AddLayer)” 乘法層的實現 python代碼 class MulLay

原创 深度學習入門 基於python理論和實踐讀書筆記(十一)

第五章 誤差反向傳播法 第五節 激活函數層是實現 ReLU層 激活函數ReLU的公式 該函數求導後 python實現ReLU類 class Relu: def __init__(self): self.

原创 python調用其他文件裏面的函數

轉:來自於博客園 難易相成 博主轉載的博客 假設名爲A.py的文件需要調用B.py文件內的C(x,y)函數 情形1:在同一目錄下, (1) import B if __name__ == "__main__":     B.C(x,y)