mokeyser的博客

思考下，mip-nerf抗锯齿的问题

3D生成

隐空间、隐变量

目录零、Pytorch并行模块1、Data_parallel2、多进程封装方式一、实验目的和实验内容1.1实验介绍二、实验设计2.1对model实现参数的广播、收集和聚合2.2设置瓶颈节点2.2.1 聚合时间瓶颈2.2.2 梯度计算时间瓶颈零、Pytorch并行模块1、Data_parallel单机多卡：数据并行的方式，网络的input数据一般要求IId，被切割成子集，不同子集作为不同device的输入（device指gpu，上面的model都是一

这里记录下本文学到的概念：一、W空间e4e原文在intro第三段描述：由于并不是所有的图都W空间，W空间表达能力有限在下文Image2stylegan: How to embed images into the stylegan latent space?e4e使用的是W+空间，二、两种Latent Space Embedding1、 learn an encoder that maps a given image to the latent spaceencoder方法例如..

介绍先前的工作（指的是pix2pix，pix2pixHD）是：semantic layout 作为网络input。作者认为由于normalization会洗掉语义信息，提出网络的输入the input layout for modulating the activations in normalization layers through a spatially adaptive, learned transformation.通过空间自适应学习转换使用输入语义布局来调制激活函数，这个翻译我一直不怎么.

摘要1、a novel adversarial loss, as well as new multi-scale generator and discriminator architectures.2、edit介绍（改进什么）1、语义生成两个（2018年）sota架构：pix2pix架构，高分辨率不稳定；a modified perceptual loss缺少细节和纹理2、对抗训练，perceptual losses from pre-trained networks对于intera

这是一篇来自CVPR2022关于GAN的新作：文章效果经验，引入了语义图进行解耦，很有新意。

一、k类近邻主要思路是：对相同类进行矩阵距离划分，得到近邻代码实现：def predict_labels(self, dists, k=1): """ 通过距离矩阵，预测每一个测试样本的类别 输入： - dists: 一个(num_test, num_train) 大小的numpy数组，其中dists[i, j]表示 第i个测试样本到第j个训练样本的距离 返回： - y: 一个 (num_test,)大小的numpy数组，其中y[

一、明白ROC的原理ROC曲线针对的是 正负样本，画出预测曲线。网上给出的概念解读有很多，我查看的这篇ROC and AUC, Clearly Explained! - YouTube我说说自己对ROC的理解，ROC曲线是用来判断 预测效果 的。深度学习对猫狗分类做ROC曲线时，使用from sklearn.metrics import roc_curve, auc是可以画出两条ROC曲线的。一条是猫，另一条是狗的ROC，最后取做平均。二、from sklearn.metrics impo.

目录出现问题: 如题问题背景探索过程解决办法查看日志出现问题: 如题问题背景描述:因为需要使用向日葵远程控制，发现win10不能远程控制ubuntu。百度后提示造成的原因有如下：1、桌面环境是否开启？若没有开启，需要开启显示屏使用。2、需要安装lightdm插件否则会连接停止3、设备终端运行xhost+再重新远程连接。我安装lightdm后，并切换启动lightdm后即可连接了。但是发现分辨率固定在640*800，我又百度后，根据文章关于ubuntu16.0