2024年09月08日
1.3 生成张量
张量就是多维数组，张量的阶就是张量的维度。标量就是0阶张量，例如 s=1, s=2 and s=3. 它代表一个单独的数字。向量就是1阶张量。比如v=[1,2,3]。显而易见，2阶张量就是矩阵例如m=[[1,2,3],[4,5,6],[7,8,9]]。当张量的维度大于2时我们没有特意地取名而是直呼n维张量。我们可以判断张量的维度通过数' = '后面有多少个' [ '。TensorFlow有tf.int, tf.float, tf.bool 以及tf.string等数据类型。我们将编码演示如何生成张量。
2024年09月08日
CycleGANS和Pix2Pix
鸣谢：介绍这些博客的简要版本，以解释pix2pix和cycleGAN背后的思想和概念。
论文：https://phillipi.github.io/pix2pix/
pix2pix使用条件生成对抗网络（cGAN）来学习从输入图像到输出图像的映射。
数据集的一个示例是输入图像是黑白图片，目标图像是图片的彩色版本。在这种情况下，生成器正在尝试学习如何为黑白图像着色。区分者正在查看生成器的着色尝试，并试图学会分辨生成器提供的着色与数据集中提供的真实着色目标图像之间的区别。
2024年09月08日
一、计算模型----计算图
1.1 计算图的概念：TensorFlow就是通过图的形式绘制出张量节点的计算过程，例如下图执行了一个a+b的操作。
1.2 计算图的使用
TensorFlow程序一般分为两个阶段。第一个阶段定义计算图中的所有计算，第二个阶段执行计算（执行会话）。
阶段一
>>> import tensorflow as tf
>>> a = tf.constant([1,2],name = 'a')
>>> b = tf.constant([2,4],name = 'b')
>>> result = a + b2024年09月08日
基本数据类型
tf.int32：tf.constant(1)
tf.float64：tf.constant(1.)
tf.int64：tf.constant(1, dtype=tf.int64)
2024年09月08日
本节将从五个方面对 TensorFlow 进行一个简单的介绍。包括 TensorFlow 是什么、为什么选择TensorFlow、TensorFlow 的发展、TensorFlow 能干什么以及 TensorFlow 的核心理念。
2024年09月08日
在这个教程中，我们展示了 Ben Mildenhall 等人的研究论文 NeRF：将场景表示为用于视图合成的神经辐射场的最小实现。作者提出了一种巧妙的方法，通过神经网络对体积场景函数进行建模来合成场景的新颖视图。
2024年09月08日
图：pixabay
本文作者是waya.ai的创始人Michael Dietz，该作者对生成式对抗网络（GANs）颇有研究,本文，他就深入浅出地为我们介绍了深度学习领域中最火的研究方向，以及面临的相关问题。
对抗学习（Adversarial learning）是深度学习中最受欢迎的领域之一。如果你浏览过arxiv-sanity（http://www.arxiv-sanity.com/）的话，你就会注意到，当前最受欢迎的研究领域的大多数都是在研究这一方向。
2024年09月08日
使用TensorFlow v2.0实现逻辑斯谛回归
此示例使用简单方法来更好地理解训练过程背后的所有机制
此示例使用MNIST手写数字。该数据集包含60,000个用于训练的样本和10,000个用于测试的样本。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28x28像素)，其值为0到255。
在此示例中，每个图像将转换为float32，归一化为[0,1]，并展平为784个特征（28 * 28）的1维数组。
2024年09月08日
在这篇文章中，我们将深入研究Tensorflow Tensor的细节。我们将在以下五个简单步骤中介绍与Tensorflow的Tensor中相关的所有主题：
2024年09月08日
说到GAN其实大部分应用都来自于图像处理，而说到图像处理，实际拿手，专业的还是CNN卷积网络。昨天举例子的GAN网络大家也看到了，使用的是普通的神经网络进行处理的。而所谓的DCGAN其实实现GAN对抗网络组网的方式完全不变的，变化的是网络模型本身，由普通的神经网络，变成了卷积网络。所以DCGAN本身的要点不在于GAN，而在于DC上面，我们一个来看。
首先，我们先来看看判别网络，我先直接上代码：
首先，和普通的CNN不同，这里的CNN网络是没有池化层的，那如何将维度变小呢？这里用到的是strides=2，就是移动窗口变成2来降低窗口大小。