2021-01-18 14:33:05

new/dl-pt-workshop/5.md

@@ -305,7 +305,9 @@ for param in model.parameters():
 
     如果您的计算机具有可用的 GPU，则将以下代码段添加到前面的代码段中，以便将模型分配给 GPU：
 
-    model.to（设备）
+    ```py
+    model.to(device)
+    ```
 
     注意
 
@@ -356,7 +358,7 @@ for index, layer in model._modules.items():
 
 图 5.4：克矩阵的计算
 
-在上图中，A 表示具有 4x4 尺寸（高度和宽度）的输入样式图像，而 B 表示将图像通过具有五个滤镜的卷积层后的输出。 最后，C 表示语法矩阵的计算，其中左侧的图像表示 B 的向量化版本，右侧的图像是其转置版本。 从向量化输出的乘法中，创建一个 5x5 克矩阵，其值表示沿不同通道（过滤器）的样式特征方面的相似性（相关性）。
+在上图中，`A`表示具有`4x4`尺寸（高度和宽度）的输入样式图像，而`B`表示将图像通过具有五个滤镜的卷积层后的输出。 最后，`C`表示语法矩阵的计算，其中左侧的图像表示`B`的向量化版本，右侧的图像是其转置版本。 从向量化输出的乘法中，创建一个`5x5` Gram 矩阵，其值表示沿不同通道（过滤器）的样式特征方面的相似性（相关性）。
 
 这些相关性可以用于确定与图像的样式表示相关的那些特征，然后可以将其用于更改目标图像。 考虑到在五个不同的层中获得了样式特征，可以安全地假定网络能够从样式图像中检测大小特征，并考虑到必须为每个层创建一个 gram 矩阵。
 
@@ -497,7 +499,7 @@ style_features = features_extractor(style_img, model, \
 
 同样，建议您为内容和样式损失分配权重，以确定它们是否参与最终输出。 这有助于确定目标图像样式化的程度，同时使内容仍然可见。 优良作法是将内容损失的权重设置为 1，而样式损失的权重必须更高，才能达到您的喜好比例。
 
-分配给内容损失的权重通常称为 alpha，而赋予样式损失的权重称为 beta。
+分配给内容损失的权重通常称为`alpha`，而赋予样式损失的权重称为`beta`。
 
 计算总损耗的最终公式如下：