weixin_45562000的博客

clear allclc%% 读取数据load wine_datasetinput=wineInputs;output=wineTargets;for i=1:1:size(wineTargets,2) output1(i)=find(wineTargets(:,i)==max(wineTargets(:,i)))end%% 设置训练数据和预测数据%训练集124 测试集54input_train = input(:,[1:42 60:110 131:164]);output_.

查看保存的参数模型数据我的参数模型主要有三个文件：snap-72722.data-00000-of-00001snap-72722.indexsnap-72722.meta作用：.data文件保存了当前参数名和值.index文件保存了辅助索引信息.meta文件保存了当前图结构.当然还有一个checkpoint 文本文件，记录了模型文件的路径信息列表1.输出节点名称from tensorflow.python import pywrap_tensorflowcheckpoint_pa

这里写目录标题1 知道padding2 不知道paddinghttps://blog.youkuaiyun.com/The_lastest/article/details/82188187https://blog.youkuaiyun.com/KING_No_1/article/details/85160884https://www.jianshu.com/p/05c4f1621c7ehttps://zhuanlan.zhihu.com/p/573486491 知道padding2 不知道padding第一种是最

原文：http://bamos.github.io/2016/08/09/deep-completion/论文链接：https这里写目录标题第二步：快速生成伪造图像设计师和摄影师用内容自动填补来补充图像中不想要的或缺失的部分。与之相似的技术还有图像完善和修复。实现内容自动填补，图像完善和修复的方法有很多。本文介绍的是 Raymond Yeh 和 Chen Chen 等人的论文「Semantic Image Inpainting with Perceptual and Contextual Losses」

这里写目录标题1. 说明卷积反卷积池化反池化1. 说明上采样和反卷积不一样.https://blog.youkuaiyun.com/qq_27871973/article/details/82973048上采样：指的是任何可以让图像变成更高分辨率的技术。最简单的方式是重采样和插值：将输入图片进行rescale到一个想要的尺寸，而且计算每个点的像素点，使用如双线性插值等插值方法对其余点进行插值来完成上采样过程。卷积https://blog.youkuaiyun.com/quiet_girl/article/details

Interactive Sketch-Based Normal Map Generation with Deep Neural Networks视频：https://m.weibo.cn/5716001168/4531729966307512疑惑：Normal Map—>法向图 or 法线贴图Sketch—>素描 or 草图mask–>掩膜不对的地方多多指点文献笔记摘要1.引言2.相关工作2.1基于素描的建模2.2图像转换3.方法3.2网络设计3.3 用户交互4. 实验

这里写目录标题生成json把txt中的某一列数替换为其他文件的某一列生成json这个需要最后删除一个逗号和空格（瑕疵）# -*- coding: utf-8 -*-import osf_train=open("/home/workstation/KPConv-new/Data/HighRelief/train_test_split/shuffled_train_file_list.json",'w')f_test=open("/home/workstation/KPConv-new/Data/H

初学者，不对的地方多多指点。翻译：https://github.com/HuguesTHOMAS/KPConv/blob/master/doc/new_dataset_guide.mdpipeline概述在开始对数据集进行训练之前，训练脚本会初始化一组变量和类。初始化步骤如下:1.创建Config。这个实例将包含定义网络的所有参数。2.创建数据集类的实例。这个实例将处理数据和input pipeline。这是您必须实施的类，以根据您自己的数据训练我们的网络3.在内存中加载输入点云。大多数数据集将

摘要我们提出了核点卷积（KPConv）,这是对于点云卷积的一种新的设计，这种设计不需要使用点云的任何其他中间表达形式，KPConv的卷积核的权重位于核点决定的欧式空间，并应用于靠近它们的输入点。其使用任意数量的kernel points的能力使KPConv比固定网格卷积更具灵活性，即这种卷积方式比固定化的网格卷积要更灵活（对于点云的分类和分割任务来说）。核点的位置在空间中是连续的并且可以被网络学...

交叉熵交叉熵（crossentropy）也是loss算法的一种，一般用在分类问题上，表达的意识为预测输入样本属于某一类的概率 。其表达式如下，其中y代表真实值分类（0或1），a代表预测值。交叉熵也是值越小，代表预测结果越准。注意： 这里用于计算的aaa也是通过分布统一化处理的（或者是经过Sigmoid函数激活的），取值范围在0～1之间。如果真实值和预测值都是1，前面一项y∗ln(a)y*l...

残差网络（ResNet），在ILSVRC 2015年取得冠军，该框架能够大大缩减简化模型训练时间，使得在可接受范围内，模型训练的更深。在深度学习领域中,网络越深意味着拟合越强,出现过拟合问题是正常的，训练误差越来越大却是不正常的。但是，网络逐渐加深会对网络的反向传播能力提出挑战，在反向传播中每一层的梯度都是在上一层的基础上计算的,层数多会导致梯度在多层传播时越来越小,直到梯度消失，于是表现的结果...

1． VGG模型VGG又分为VGG16和VGG19， 分别在AlexNet的基础上将层数增加到16和19层， 它除了在识别方面很优秀之外， 对图像的目标检测也有很好的识别效果， 是目标检测领域的较早期模型。2． GoogLeNet模型GoogLeNet除了层数加深到22层以外， 主要的创新在于它的Inception， 这是一种网中网（Network In Network） 的结构， 即原来的...