群星闪耀的博客

背景在图像恢复的深度神经网络当中。大部分的损失函数一般是L1 norm(MAE),L2 norm(MSE)。或者是SSIM,PSNR。其中SSIM有了评价函数的变体MS_SSIM,具体的实现先参考文献[2], 代码部分再去参考[1]。英伟达和MIT联合发表了一篇Loss Functions for Image Restoration with Neural Networks， 这种损失函数将MS_SIM和L1损失函数结合在一起。下面写一些具体如何实现实现过程MS_SSIM的实现过程已经在[1]中

HDF5文件介绍HDF（Hierarchical Data Format）指一种为存储和处理大容量科学数据设计的文件格式及相应库文件。HDF 最早由美国国家超级计算应用中心 NCSA 开发，目前在非盈利组织 HDF 小组维护下继续发展。当前流行的版本是 HDF5。HDF5 拥有一系列的优异特性，使其特别适合进行大量科学数据的存储和操作，如它支持非常多的数据类型，灵活，通用，跨平台，可扩展，高效的 I/O 性能，支持几乎无限量（高达 EB）的单文件存储等，详见其官方介绍：What is HDF5?。H5文

问题描述：pytoch中没有像tensorflow里面，卷积层的padding设置为same之类的操作。而且论文当中很多都不会写padding设置是多少。现在我来记录一下如何根据模型来计算出每个卷积层的padding值的设置。一般来讲，根据卷积的原理，输入的大小和输出的大小之间的关系由如下公式表示：out_size=(input_size - kernerl_size + 2*padding)/stride +1在GitHub上我看到一个模型，标注了每个输入的size大小。可以很好的作为一个例子

报错：TypeError: 'tuple' object is not callable解决：如上图左上角所示，因为模型继承的是nn.Module，所以不是用的sequential来定义网络，依然加了逗号。所以会出错。可以改成nn.Sequential,或者把逗号删除。额外提示：如果用nn.Squential定义，缺少灵活性，但是也有优点。关于nn.Squential和nn.Model的定义不同可以详见：PyTorch 中的 ModuleList 和 Sequential:

这个库可以查看用pytorch搭建的模型，各层输出尺寸。1.安装相信大家使用到现在这个地步，导入库已经很熟练了。里面的坑我就不多说。pip install torchsummary2.导入from torchsummary import summarysummary(your_model, input_size=(channels, H, W))上述的your_model是搭建的模型，input_size是你输入的数据。比如输入一张图片大小为28*28的RGB(3个通道)的图

1.论文分析为了对卷积神经网络CNN有更加透彻的了解，方便后续的CNN应用在其他方面。决定对经典论文AlexNet重新实现一遍。论文中原图如下：The first convolutional layer filters the 224×224×3 input image with 96 kernels of size 11×11×3 with a stride of 4 pixels (this is the distance between the receptive field cente

背景简介作为刚入门深度学习的小白，准备兴高采烈的开始用GPU跑深度学习算法.已经安装好了tensorflow的CPU版本，都是想要加速，搭建tensorflow-gpu的版本。我的环境是python==3.7, tensorflow==1.15，这两个的安装可以去参考其他教程，为什么在2021年还选择1.15的版本，因为我要用的代码还是tensorflow 版本1的，tensorflow 2.0的和原来的不一样，容易出现其他问题，为了早日上手深度学习，就不去弄2.0了。这里主要是讲解如何安装GPU加

fit( x, y, batch_size=32, epochs=10, verbose=1, callbacks=None,validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0)x：输入数据。如果模型只有一个输入，那...