Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
apachecn-dl-zh
提交
508996b8
A
apachecn-dl-zh
项目概览
OpenDocCN
/
apachecn-dl-zh
11 个月 前同步成功
通知
298
Star
83
Fork
35
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
A
apachecn-dl-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
508996b8
编写于
1月 18, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-01-18 14:33:05
上级
1bdf135d
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
5 addition
and
3 deletion
+5
-3
new/dl-pt-workshop/5.md
new/dl-pt-workshop/5.md
+5
-3
未找到文件。
new/dl-pt-workshop/5.md
浏览文件 @
508996b8
...
...
@@ -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:
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录