Ericam_

论文Link代码地址前言​ 该项目主要实现了face-reenactment，人脸3D控制和语音驱动图像，不局限于特定人物，使用预训练模型可以针对任一人物完成。（项目源代码里没有写出，简单修改一下就可以）。​ 下面给出一点我个人实验过程中的截图（vox数据集实验截图可见项目地址或论文）：由于是自定义的源图，可能加载图像通道需要调整，所以会出现有点发白的情况。实验过程中发现针对自定义的图，wrap效果较好，editing后的图眼睛和牙齿很失真。（这个可能是由于驱动图像人物是欧美人的原因）A.

前言大家好，我是Ericam_由于项目需要，查阅了ONNX相关资料，整理了一篇小笔记吧~如有错误，欢迎指正一. 简介    ONNX （Open Neural Network Exchange）- 开放神经网络交换格式，作为框架共用的一种模型交换格式，使用 protobuf 二进制格式来序列化模型，可以提供更好的传输性能我们可能会在某一任务中将 Pytorch 或者 TensorFlow 模型转化为 ONNX 模型(ONNX 模型一般用于中间部署阶

前言其实网上利用全连接神经网络来训练MNIST数据集的文章很多，但是多数是以实现为主。本文更偏向于一个实验笔记，来一步一步递进测试模型优化的过程，以及记录在训练过程中的疑惑与思考。实验环境这次并没有将代码放在服务器上跑，所以也没有用到GPU，所以当你需要使用GPU来训练模型时，请自行修改代码。数据准备本文所需要的数据集为MNIST数据集，至于数据集的加载方式已经于另一篇文章十分钟搞懂Pytorch如何读取MNIST数据集讲明。正文1.使用简单的三层全连接神经网络#简单的三层全连接神经网络c

前言本文用于记录使用pytorch读取minist数据集的过程，以及一些思考和疑惑吧…正文在阅读教程书籍《深度学习入门之Pytorch》时，文中是如此加载MNIST手写数字训练集的：train_dataset = datasets.MNIST(root='./MNIST',train=True,transform=data_tf,download=True)解释一下参数datasets.MNIST是Pytorch的内置函数torchvision.datasets.MNIST，通过这个可以导入数

前言记录Labelme的使用方法，方便快速上手使用。labelme简介LabelMe 可用于实例分割，语义分割，目标检测，分类任务的数据集标注工作。在线标注版本python版本labelme官方文档分类标注：Classification目标检测标注：Object Detection语义分割标注：Semantic Segmentation实例分割标注：Instance Segmentation视频标注：Video Annotation其他形式标注：LabelMe Primitives