Yuetian_w的博客

当今，深度学习已经成为许多人感兴趣的话题，Google Colab（全称为Google Colaboratory）是Google推出的一个强大的云端 notebook，为开发者提供了一个免费的、轻便的云端开发环境，无需安装任何软件，只需要一个浏览器就可以运行。在Google Colab中，你可以轻松地创建、编辑和共享Jupyter notebook，其中包括Python代码和文本单元格。

• 本文提出了一种挖掘GAN中图像先验的方式，在多个任务上揭示了GAN作为一种通用图像先验的潜力• 首次将其应用于复杂图片的对抗防御• 提出了同时插值隐变量和生成器的图像渐变方法• 实验中DGP所展现出的强大的像素间空间关系模拟能力也十分有趣。

生成式对抗性网络是一类很有潜力的生成式模型，但迄今为止一直存在着训练不稳定和缺乏合适评价指标的问题，本文的工作提供了部分解决方案提出了几种提升训练稳定性的技术，使以前无法收敛的模型可以稳定训练提出的评价指标 Inception score 可以用来比较模型的生成效果将这些技术应用于半监督学习中，在多个数据集上取得了state-of-the-art希望在未来的工作中进行更严格的理论推导。

DCGAN-论文阅读笔记

Pix2pix论文阅读笔记

CycleGAN 论文泛读

将卷积运算符推广到不规则域通常表示为邻域聚合或消息传递方案。通过表示层中节点的节点特征和表示节点之间的（可选）边缘特征。

今天我们将对GAN领域中经典的论文DCGAN做一个简单的解析。

子图采样而不是随机采样。

这里，我们想对Pytorch中可以直接调用的Loss Functions做一个简单的梳理，对于每个Loss Functions，标记了它的使用方法，并对一些不那么常见的Loss FunctionsLink了一些介绍它的Blogs，方便我们学习与使用这些Loss Functions。

主题背景总的来说，ML visuals为我们提供了使用PPT绘图来描述深度学习模型结构的众多组件，有兴趣的小伙伴可以马上试着用它来搭建一些经典的模型（ViT、ResNeXt、DERT······）来练练手鸭！

论文阅读：Deep multi-view learning methods: A review因为方向原因，这里主要是其中的GNN部分a b s t r a c t多视点学习(MVL)通过利用多个特征或模式的互补信息，受到越来越多的关注，并取得了巨大的实践成功。近年来，由于深层模型的显著性能，深层MVL在机器学习、人工智能和计算机视觉等领域得到了广泛的应用。本文从深度学习领域的MVL方法和传统方法的深度MVL扩展两个角度对深度MVL方法进行了综述。具体地说，我们首先回顾了深度学习领域中具有代表性的MV

多模态学习博文一些关于多模态学习的新闻与博客，帮助你快速了解多模态最新进展与任务。文章目录多模态学习博文多模态机器学习综述Multimodal Fusion（多模态融合）多模态知识图谱中科院自动化所首个视觉-语言预训练综述多模态、万亿参数、生成语音，吴恩达回顾人工智能2021在多模态训练中融入“知识+图谱”：方法及电商应用实践多模态Transformer用于视频分割效果惊艳Facebook 推出多模态通用模型 FLAVA微软亚洲研究院多模态模型NÜWA：以自然语言创造视觉内容华为诺亚开源首个亿级中文多模

Pytorch初见文章目录Pytorch初见简介：深度之眼Pytorch框架班学习笔记Why Pytorch？Pytorch的张量张量是什么？张量的创建1 直接创建：2 依据数值创建3 依概率分布创建张量张量操作张量拼接与切分张量索引张量变换张量数学运算计算图autograd-自动求导系统autograd-自动求导系统简介：深度之眼Pytorch框架班学习笔记2017年 1 月， FAIR（ FacebookAI Research ）发布 PyTorchPyTorch是在 Torch 基础上用pyt

实验：打造自己的MNIST-GAN文章目录实验：打造自己的MNIST-GAN1 实验内容2 实验原理Basic Idea of GANAlgorithm3 具体实现使用原生GAN实现加载MNIST数据构建生成器构建判别器损失函数与优化随机采样交替训练生成结果使用CNN+GAN实现更改生成网络结构更改判别网络结构训练过程生成结果观察linearly interpolating结果使用CGAN实现更改生成网络结构更改判别网络结构交替训练生成结果：1 实验内容借助Keras，Tensorfolow 或Pyt

文章目录1 实验内容2 实验原理LeNet:3 具体实现基于PaddlePaddle实现LeNet加载数据：建立模型：模型训练：模型测试：基于Pytorch实现LeNet5加载数据：建立模型：模型训练：拍摄手写数字识别拍照采集手写数字图片处理送入网络测试图片平移、旋转和伸缩处理后4 小组分工4 小组分工1 实验内容实现MNIST 数据加载和可视化阅读LeNet-5 的相关资料和论文，在Keras，Tensorfolow 或Pytorch 任意框架下逐层实现网络模型的构建在MNIST 数

图像检索系统 课设总结分析01 Image retrieval Pipeline文章目录图像检索系统 课设总结分析01 Image retrieval Pipeline图像检索:功能定义图像检索简易Pipeline基于内容的图像检索系统系统目标图像检索:图像检索(Image Retrieval）是基于内容的图像检索根据图像、图像的内容语义以及上下文联系进行查找，以图像语义特征为线索从图像数据库中检出具有相似特性的其它图像。功能定义功能定义:提供n张query图像，对于每张query图像，从m（通

这几天打算对之前做的软件课设——图像检索系统做一下回顾与分析，总结项目中的收获。开始分析之前，先对我们的结果做一下展示。启动界面主界面添加图片，选择查找图片数量运行结果展示...

PyTorch:官方文档:https://pytorch.org/docs/stable/index.htmlPyTorch模型训练实用教程代码:paper with code: (可能要梯子)SOTA代码:CV:OpenCV斯坦福cs231n: 李宏毅教授系列课程:

算法工程师文章目录算法工程师面试准备个人背景行情方案：准备项目实施工作日常岗位方向算法生命周期工作时间分配工作量项目实例一**转化成算法问题**项目实例二职业晋升前景晋升路线晋升难点前途&钱途前途&钱途面试准备个人背景Type A：有机器学习工作背景，对深度学习感兴趣Type B：没有机器学习工作背景，有数据类工作背景Type C：没有任何数据背景，没有工程背景，对深度学习感兴趣截止2019年，互联网算法岗仍是不饱和的，人才供不应求行情大厂：BATJM——ML&a

Word2Vec原文翻译Efficient Estimation of Word Representations in Vector Space摘要我们提出了两种新的模型架构，用于计算来自非常大的数据集的连续向量的词的代表。这些表征的质量是在单词相似性任务中测量的，其结果与之前基于不同类型的神经网络的最佳表现技术进行了比较。我们观察到，在计算成本低得多的情况下，准确性有了很大的提高，也就是说，从16亿字的数据集中学习高质量的词向量需要不到一天的时间。此外，我们表明，这些向量在我们的测试集上提供了最先进

No module named ‘tensorboard’ 解决方法报错代码：from torch.utils.tensorboard import SummaryWriterTensorBoard是一个强大的可视化工具，在pytorch中有两种调用方法：1.from tensorboardX import SummaryWriter这种方法是在官方还不支持tensorboard时网上有大神写的2.from torch.utils.tensorboard import SummaryWrit