那抹阳光1994

摘要： 参考 一文读懂torch.autograd.backward()作用及原理 torch.autograd学习系列之torch.autograd.grad()函数学习 主要是对这两个函数中的参数grad_tensors或grad_outputs不理解。其实就是雅克比矢量积的系数，有了这个系数就能将矢量 阅读全文

摘要： 不同归一化方法计算统计量的方式和施加归一化的范围不一样。 BN受到批尺寸的影响，而LN、IN和GN避开了批尺寸这个维度。 这张图与我们平常看到的feature maps有些不同，立方体的3个维度为别为batch/ channel/ HW，而我们常见的feature maps中，3个维度分别为chan 阅读全文

摘要： transforms的二十二个方法 本文对transforms.py中的各个预处理方法进行介绍和总结。主要从官方文档中总结而来，官方文档只是将方法陈列，没有归纳总结，顺序很乱，这里总结一共有四大类，方便大家索引： 本文截取自《PyTorch 模型训练实用教程》，获取全文pdf请点击：https:// 阅读全文

摘要： 换个角度看GAN：另一种损失函数 「本质上，GAN 就是另一种损失函数。」 Jeremy Howardf 老师曾在生成对抗网络（GAN）课程中说过：「……本质上，GAN 就是另一种损失函数。」 本文将在适合的相关背景下讨论上面的观点，并向大家阐述 GAN 这种「学得」（learned）损失函数的简洁 阅读全文

摘要： 使用 Wasserstein 散度的理由 原 wGAN 论文开篇详细解释了 Wasserstein 度量相较其他常用统计散度的优势。虽然解释得很有技术性，但要传达的信息很简单：Wasserstein 度量可以用来比较完全不同的概率分布。这个不同是什么意思？最常见的例子是两个分布支撑集（函数的非零部分 阅读全文

摘要： 在卷积特征之上有消除全连接层的趋势。最有力的例子是全局平均池化（global average pooling），它已被应用于最先进的图像分类模型中。 提出：Lin, M., Chen, Q., & Yan, S. (2013). Network in network. arXiv preprint 阅读全文

摘要： 文章中用the Helvetica Scenario来代指GAN的模式崩溃问题。 生成器会将不同的噪声输入z映射为相同的样本x，从而轻易地骗过鉴别器。因此生成器也就开始偷奸耍滑了，不好好学习了，一直源源不断地生成同样的数据样本，偷懒了，就不会再去训练提高自己生成 多样性数据的能力了。这就是GAN所谓 阅读全文

摘要： 可以选择横排或者竖排 legend('AA', 'BB', 'orientation', 'Vertical') legend('AA', 'BB', 'orientation', 'horizontal') 阅读全文

摘要： 利用boxplot可以方便地检查数据的统计分布。此外，可以方便地找出可能的异常值。 箱形图（英文：Box plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。在各种领域也经常被使用，常见于品质管理，快速识别异常值。 箱形图最大的优点就是不 阅读全文

摘要： 手动指定坐标轴刻度间距 set(gca,'xtick',1:17) 手动指定刻度对应的label set(gca,'xticklabel',{'a', 'b','c' ,'d' ,'e', 'f'}); 阅读全文