literacy_wang的博客

Ubuntu下安装wget、pip以及安装pytorch相关包安装Wgetsudo apt-get updatesudo apt-get install wget安装pipwget https://bootstrap.pypa.io/pip/3.6/get-pip.py sudo apt-get install python3.8-distutilsalias python='/usr/bin/python3'python get-pip.py安装pytorchpip3 instal

阅读FSRCNN自我小结创新点FSRCNN的动机是为了加速SRCNN模型，因此它从以下几个方面进行了改进：在网络末端使用了一个反卷积层==>采用后采样框架，相比SRCNN中使用先采样框架，减少了计算负担。在网路前端重新改变了输入特征的维数在网络非线性映射层中间部分，使用了更小的卷积核并应用了更深的卷积层针对问题的改进措施问题：针对SRCNN中有两点限制了速度。低分辨率图像需要上采样（通过三次插值）；非线性映射步骤，需要缩减参数加快速度。改进措施：对于第一个问题采用反卷积层

在官网上将EDSR代码下载后，用pycharm打开读了readme文件，提到可以先测试图像。所以下面是先测试图像的过程第一步：下载预训练模型readme文件里有给出链接，将下载的预训练模型保存至experiment/test/model下第二步，改option.py中的路径将option.py中的文件里面带有预训练的路径改为刚刚下载好的预训练模型路径第二行的extend是什么目前还没有研究，后期再说，也顺便改了。测试的路径不用改，代码给出了一个鸟的测试图片，就是…//test第三步，改m

介紹卷积神经网络（CNN）模型1 CNN的基本结构​ 一个常见的CNN例子如下图：这是一个图像识别的CNN模型。最左边的船就是我们的输入层，计算机可理解为若干个矩阵。接下来就是卷积层（Convolution Layer），这是CNN特有的。卷积层所使用的激活函数是ReLU。ReLU(x)=max(0,x)。在卷积层后面是池化层（Pooling layer），这个也是CNN特有的，池化层没有激活函数。上图中卷积层+池化层出现了两次，其实这些次数可以根据模型的需要来变换，也可灵活使用卷