简单学习一下GAN，主要是为了扩增数据集，目前手上数据太少，一个类别30张图片进行数据增强（旋转，反转等）后的数据量也远远不够，因此试图采用GAN来进行生成数据，添加生成的数据再进行检测和分类不知道能否有很好的效果。如下图我的数据集，想批量生成裂纹，再加上电路板背景复杂，不知道能不能行得通。调研一些paper和博客得出：使用GANs进行简单的数据增强有时可以提高分类器的性能，特别是在非常小或有限的
VAE 模型是一种有趣的生成模型，与GAN相比，VAE 有更加完备的数学理论（引入了隐变量），理论推导更加显性，训练相对来说更加容易。VAE 可以从神经网络的角度或者概率图模型的角度来解释。VAE 全名叫 变分自编码器，是从之前的 auto-encoder 演变过来的，auto-encoder 也就是自编码器，自编码器，顾名思义，就是可以自己对自己进行编码，重构。所以 AE 模型一般都由两部分的网
转载
2024-07-03 03:31:34
241阅读
上一节介绍了app的生成和基础设定这一节会为大家介绍更进一步的，我们需要控制出外远走啦，例如登山啦我们的地形实在太小啦，那怎么办呢？（1）你可以将plane的scale变大一点（2）你可以移除Plane然后添加一个Terrain移除plane添加Terrain然后我们可以制作属于我们的地形地形属性框选中一定形状和大小，然后在地形上拖动，就会出现属于你自己的地形了，应该有点山的轮廓了。成
基本图形生成算法图元扫描转换 直线段扫描转换 圆弧扫描转换实区域填充图形的剪裁图形反走样消隐光栅化算法线段光栅化算法 DDA算法 中点Bresenham画线算法 Bresenham改进算法圆光栅化算法 中点算法 中
转载
2024-03-16 01:07:58
106阅读
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
import torchvision
from torch.utils.data import DataLoader
from torchvision.utils import save
今日概要 - 编码详解 - 文件操作 - 初识函数 一、字符编码1、代码执行过程 代码-->解释器翻译-->机器码-->执行2、ASCII ASCII:一个Bytes代表一个字符（英文字符/键盘上的所有其他字符），1Bytes=8bit，8bit可以表示0-2**8-1种变化，即可以表示256个字符ASCII最初只用了后七位，127个数字，已经完全
转载
2024-09-08 10:45:03
64阅读
1. 前言促使我学习OpenGL新版本的一大动力，就是对改善渲染质量的渴望。谈到渲染，就不能不提光照模型。好的光照模型，对物体的真实感渲染起到至关重要的作用。本章我将从光照模型这个主题切入，来谈一谈如何通过编写shader来控制光照。注：本章的部分内容为主观叙述，未经严格的认证，如有问题，请以OpenGL新版教材为准。关于新版本的一些基础知识，如VBO，VAO的绑定，管线编程机制等，在
Keras搭建GAN生成MNIST手写体GAN简介生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。在GAN模型中，一般存在两个模块： 分别是生成模型（Generative Model）和判别模型（Discriminative Model）；二者的互相博弈与学习将会产生相当好的输出。原始
文章目录前言数据的处理数据集的下载数据集的划分AlexNet介绍程序的实现model.pyDropout()函数train.py数据预处理导入数据集train_tool.pypredict.py模型的部署 前言搭建AlexNet来进行分类模型的训练，大致训练流程和图像分类：Pytorch图像分类之–LetNet模型差不多，两者最大的不同就是，读取训练数据的方式不同，前者读取是通过torchvis
总结： AE（自编码器）：编码->n维向量->直接解码 VAE（变分自编码器）：编码->n维向量->每个维度使用正态分布拟合->每个维度采样形成新的n维向量->解码 CVAE（条件VAE）：每个维度用拟合后的分布均值要和目标图片一致 VQVAE（向量量化自编码器）：编码->n维向量->每个维度使用cookbook找到最近向量->解码 注意VQV
转载
2024-05-14 22:57:35
1284阅读
目录 广义的文本生成，其他数据源转换成文本 机器翻译的历程 机器翻译的历程 规则、统计、神经网络 RNN的结构 transformer的结构 encoder编码 self-attention 多层迭代 并行计算，距离更短 优势，flops，每秒的浮点数运算次数 困惑度，LSTM并不是参数量越大效果越好 参数量越来越大性能瓶颈 API》算子》cuda kernel 原因 优化方向 形象比喻算子融合
## 使用PyTorch实现变分自编码器（VAE）的流程
变分自编码器（VAE）是一种流行的生成模型，可以用于图像生成、数据降维等任务。下面的内容将会详细介绍如何利用PyTorch实现一个简单的VAE，并提供一个明确的步骤和代码示例。
### 实现流程
以下是实现VAE的基本流程：
| 步骤 | 描述 |
原创
2024-08-17 04:51:35
261阅读
用生成式深度学习模型填充时间序列随着时间的推移，用于生成的深度学习模型的使用正变得越来越流行。这些类型的模型被称为生成算
原创
2024-05-19 22:07:11
271阅读
在Stable Diffusion中,所有的去噪和加噪过程并非在图像空间直接进行,而是通过VAE模块将图像编码到一个低维空间。这
原创
精选
2024-03-10 15:04:57
292阅读
前言人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 ———-摘自百度百科说明环境：Ubuntu16.04 语言: Python 依赖：OpenCV+matplotlib加载人脸模型在我们安装OpenCV好以后，在目录下会有很多的
目录1 生成模型分类 1 2 Autoregressive model 2 3 变分推断 3 3.1 ELBO 3 3.2 变分分布族Q 5 4 VAE 6 5 GAN 6 6 flow模型 7 7 EM算法 8 8 DDPM 81 生成模型分类生成模型（Generatitve Models）在传统机器学习中具有悠久的历史。 主要有如下几种生成模型：autoregressive models 、V
转载
2024-04-25 20:09:46
190阅读
生成对抗网络（Generative Adversarial Networks，GANs），由2014年还在蒙特利尔读博士的Ian Goodfellow引入深度学习领域。2016年，GANs热潮席卷AI领域顶级会议，从ICLR到NIPS，大量高质量论文被发表和探讨。Yann LeCun曾评价GANs是“20年来机器学习领域最酷的想法”。Generative Adversarial Nets(GAN)
原创
2023-06-14 10:40:04
157阅读
机器学习模型分生成式模型（Generative Models）和判别式模型(Discriminative Models)。判别式模型就是给出一个判断，比如是哪个类别，是多少值。也就是说，判别式模型给出的是一个值。为什么需要生成式模型？因为有时候不想要一个值，我们想学习一个分布(Distribution)
转载
2024-04-18 22:23:52
56阅读
最近这一个月有三在知识星球里分享GAN在底层的图像处理中的相关应用，预计会再持续一个月，下面我们对其中的各个方向简单做一些介绍。作者&编辑 | 言有三1 GAN与图像降噪图像在产生和传输过程中都会受到噪声的干扰，因此图像降噪是一个非常基础的问题，生成式模型GAN在捕捉噪声的分布上有天然的优势。有三AI知识星球-网络结构1000变GAN-CNN Based Blind Denoiser
转载
2024-08-15 11:15:04
34阅读
