摘要： 1. np.stack((x_t, x_t, x_t, x_t), axis=2) 将图片进行串接的操作，使得图片的维度为[80, 80, 4] 参数说明: (x_t, x_t, x_t, x_t) 表示需要进行串接的图片, axis = 2 表示在第三个维度上进行串接操作 2. cv2.resiz 阅读全文

摘要： 强化学习使用的是bellmen方程，即当前奖励值 = max(当前位置的及时奖励 + discout_factor * 下一个方向的奖励值) discount_factor表示奖励的衰减因子 使用的是预先制造好的九宫格的类 代码说明： env.nA,即每个位置的下一个方向的个数为4 env.nS 表 阅读全文

摘要： 图像超分辨重构的原理，输入一张像素点少，像素较低的图像， 输出一张像素点多，像素较高的图像 而在作者的文章中，作者使用downsample_up, 使用imresize(img, []) 将图像的像素从原理的384，384降低到96， 96, 从而构造出高水平的图像和低水平的图像 作者使用了三个部分 阅读全文

摘要： 1. 在pickle.load可能会出现代码的读取错误，这里使用代码 2.进行图片的展示，生成的是25张图片 代码来源 对抗生成网络dcgan_mnist 3.对图片进行预处理，并进行保存成.npy格式，代码来源图像补全算法 4. 使用已经存在sess文件，就进行sess的读取, 代码来源高原卷积分 阅读全文

摘要： 1. tf.image.resize_and_crop(net, bbox, 256, [14, 14], name) # 根据bbox的y1,x1,y2,x2获得net中的位置，将其转换为14*14，因此为[14, 14, 512], 256表示转换的个数，最后的维度为[256, 14, 14, 阅读全文

摘要： 1. tf.nn.moments(x, axes=[0, 1, 2]) # 对前三个维度求平均值和标准差，结果为最后一个维度，即对每个feature_map求平均值和标准差 参数说明：x为输入的feature_map, axes=[0, 1, 2] 对三个维度求平均，即每一个feature_map都 阅读全文

摘要： 空洞卷积， 从图中可以看出，对于一个3*3的卷积，可以通过使用增加卷积的空洞的个数，来获得较大的感受眼， 从第一幅图中可以看出3*3的卷积，可以通过补零的方式，变成7*7的感受眼，这里补零的个数为1，即dilated等于2 空洞卷积在语义分割中的使用较多，因为涉及到向下卷积和向上卷积，为了不使用pa 阅读全文

摘要： 反卷积操作： 首先对需要进行维度扩张的feature_map 进行补零操作，然后使用3*3的卷积核，进行卷积操作，使得其维度进行扩张，图中可以看出，2*2的feature经过卷积变成了4*4. 3*3的卷积经过扩张以后形成了5*5 feature_map为偶数 feature_map为偶数 代码：主 阅读全文

摘要： 1. batch_normalize(归一化操作)，公式：传统的归一化公式 (number - mean) / std， mean表示均值， std表示标准差 而此时的公式是 scale * (num - mean) / std + beta #scale 和 beta在计算的过程中会进行不断的更新 阅读全文

摘要： 1. tf.nn.embedding_lookup(W, X) W的维度为[len(vocabulary_list), 128]， X的维度为[?, 8]，组合后的维度为[?, 8, 128] 代码说明一下：即根据每一行X中的一个数，从W中取出对应行的128个数据，比如X[1, 3]个数据是3062 阅读全文