LANXIAMAO的博客

这篇文章将更深入的探讨Dropout背后的数学原理，通过理解Dropout的数学原理，我们可以推导出几个设置丢失率的小技巧，通过这篇文章你也将对Dropout的底层原理有更深刻的了解。在实际应用中，选取损失函数会受到诸多因素的制约，比如是否有异常值、机器学习算法的选择、梯度下降的时间复杂度、求导的难易程度以及预测值的置信度等等。CNN是其中的一种，还有GAN(生成对抗网络)，RNN（递归神经网络）等，神经网络能够类似人一样具有简单的决定能力和简单的判断能力，在图像和语音识别方面能够给出更好的结果。

链接来自网络，可以参考以下文章。2.下载lora模型。

需要16G内存，8G显存（网上说是6G就够，不过跑出来图片像素会低，显存越大画质也越好）CPU要求不高，我的配置是 i5-8400显卡，咱用的是 2060s ，一千多点买的二手显卡内存是32G （16G就可以）电源600W （400W也能跑，不过怕功率不够）[电源功率= (显卡功率+CPU+100) * 1.5]主板是 微星B360M系统是win10。

图像风格迁移是指将一张图像的风格迁移到另一张图像上，得到一张新的图像，该图像既具有原图像的内容，又具有另一张图像的风格。基于卷积神经网络的图像风格迁移是最近比较流行的实现方法，其主要思路是利用卷积神经网络抽取不同层次的特征来表示图像，然后通过定义一个损失函数来优化得到迁移后的图像。风格损失函数用于衡量迁移后图像与风格图像之间的差异，内容损失函数用于衡量迁移后图像与内容图像之间的差异，总损失函数是二者的加权和。定义图像风格迁移函数，该函数需要输入图像、风格图像和内容图像，输出迁移后的图像。

图片风格化看起来很神奇，那么风格化的功能是如何设计出来的呢？首先，为了产生风格化的合成图，需要2个输入，即原图和艺术风格图，而输出图片则完全是被创造出来的一张新图片。那么，接下来就是神经网络设计中最重要的部分，即如何让网络实现“风格化”这个功能。我们将问题细分，对于输入图片中的原图，我们想获取的是其“内容”，而对于输入图片中的艺术画，我们想获取的是其“风格”。

图片风格化看起来很神奇，那么风格化的功能是如何设计出来的呢？首先，为了产生风格化的合成图，需要2个输入，即原图和艺术风格图，而输出图片则完全是被创造出来的一张新图片。那么，接下来就是神经网络设计中最重要的部分，即如何让网络实现“风格化”这个功能。我们将问题细分，对于输入图片中的原图，我们想获取的是其“内容”，而对于输入图片中的艺术画，我们想获取的是其“风格”。

时间序列数据预测是一种利用历史数据来预测未来趋势的技术。这种技术可以被应用于多个领域，如气象预测、交通流量预测、人口统计预测等等。本文以股票预测为案例基于Python语言实现LSTM循环神经网络的时间序列预测。使用的深度学习框架为Keras。可以看出，红色的预测数据以及非常逼近预期数据。

机器学习技术点概览脑图。

图片风格化看起来很神奇，那么风格化的功能是如何设计出来的呢？首先，为了产生风格化的合成图，需要2个输入，即原图和艺术风格图，而输出图片则完全是被创造出来的一张新图片。那么，接下来就是神经网络设计中最重要的部分，即如何让网络实现“风格化”这个功能。我们将问题细分，对于输入图片中的原图，我们想获取的是其“内容”，而对于输入图片中的艺术画，我们想获取的是其“风格”。