目录1.WGAN产生背景（1）超参数敏感（2）模型崩塌2.WGAN主要解决的问题3.不同距离的度量方式（1）方式一（2）方式二（3）方式三（4）方式四4.WGAN原理（1）p和q分布下的距离计算 （2）EM距离转换优化目标推导（3）判别器和生成器的优化目标5.WGAN训练算法 6.WGAN网络结构7.数据集下载8.WGAN代码实现 9.mainWindow窗口显示生成器生成的图片10.模型下载 GAN原理及Pytorch框架实现GAN（比较容易理解）Pytorch框架实现DCGAN（比较容易理解）CycleGAN的基本原理以及Pytorch框架实现1.WGAN产生背景 之所以会产生WGA
【Opencv–adaptiveThreshold】自适应阈值图像二值化文章目录【Opencv--adaptiveThreshold】自适应阈值图像二值化1.介绍2.adaptiveThreshold函数2.1函数调用2.2补充说明3.代码示例4.效果4.1原图（ori.img）4.2处理后5.参考1.介绍在这里cv2.threshold函数介绍了普通的opencv图像阈值处理函数。但threshold的图像阈值处理对于某些光照不均的图像，这种全局阈值分割的方法并不能得到好的效果。图像阈值化操作中，我们更关心的是从二值化图像中分离目标区域和背景区域，仅仅通过固定阈值很难达到理想的分割效果。在图
目录1.了解CycleGAN（1）什么是CycleGAN （2）CycleGAN的应用场景 2CycleGAN原理（1）整个模型（2）优化目标 （3）训练生成器和判别器（1）训练生成器（2）训练判别器3.CycleGAN的网络结构 （1）生成器模型（2）判别器模型4.CycleGAN代码实现 5.mainWindow窗口显示转换之后风格图6.数据集下载和官方代码 GAN原理及Pytorch框架实现GAN（比较容易理解）Pytorch框架实现DCGAN（比较容易理解）1.了解CycleGANCycleGAN主页：https://junyanz.github.io/CycleGAN/（1）什么是
参考：课程：学堂在线的清华训练营《驭风计划：培养人工智能青年人才》（满分作业）代码：sgrvinod/a-PyTorch-Tutorial-to-Image-Captioning:Show,Attend,andTell|aPyTorchTutorialtoImageCaptioning(github.com)paper:《Show,AttendandTellNeuralImageCaptionGenerationwithVisualAttention》需要的理论知识：LSTMBLEUResnet-101COCO数据集Attentionbeam算法理论知识也可以参考博客：MonteCarlo详解
目录1.池化的功能2.神经原网络设定最大卷积层的作用3. torch.nn.MaxPool2d()4.使用torch.nn.MaxPool2d()实战 3.Pytorch源码1.池化的功能先通过与卷积的相同点及不同点说明池化的功能。池化与卷积的共同点：池化操作也是原图像矩阵（或特征图矩阵）与一个固定形状的窗口（核、或者叫算子）进行计算，并输出特征图的一种计算方式；池化与卷积的不同点：卷积操作的卷积核是有数据（权重）的，而池化直接计算池化窗口内的原始数据，这个计算过程可以是选择最大值、选择最小值或计算平均值，分别对应：最大池化、最小池化和平均池化。由于在实际使用中最大池化是应用最广泛的池化方法，
参考：动手学ROS2分析原因：undefinedreferenceto'cv::Mat::Mat()'原因在于g++找不到库文件，解决方法就是我们帮助它定位到库文件的位置，并通过-L参数指定库目录，-l（小写L）指定库的名字。解决方法：在执行命令时添加后缀参数g++main_map.cpp-L/home/wcx/opencv-4.6.0/build/install/lib-lopencv_core-lopencv_imgproc-lopencv_highgui
PyTorch计算KL散度详解最近在进行方法设计时，需要度量分布之间的差异，由于样本间分布具有相似性，首先想到了便于实现的KL-Divergence，使用PyTorch中的内置方法时，踩了不少坑，在这里详细记录一下。简介首先简单介绍一下KL散度（具体的可以在各种技术博客看到讲解，我这里不做重点讨论）。从名称可以看出来，它并不是严格意义上的距离（所以才叫做散度~），原因是它并不满足距离的对称性，为了弥补这种缺陷，出现了JS散度（这就是另一个故事了…）我们先来看一下KL散度的形式：DKL(P∣∣Q)=∑i=1Npilogpiqi=∑i=1Npi∗(logpi−logqi)DKL(P||Q)=
0.往期内容[一]深度学习Pytorch-张量定义与张量创建[二]深度学习Pytorch-张量的操作：拼接、切分、索引和变换[三]深度学习Pytorch-张量数学运算[四]深度学习Pytorch-线性回归[五]深度学习Pytorch-计算图与动态图机制[六]深度学习Pytorch-autograd与逻辑回归[七]深度学习Pytorch-DataLoader与Dataset(含人民币二分类实战)[八]深度学习Pytorch-图像预处理transforms[九]深度学习Pytorch-transforms图像增强(剪裁、翻转、旋转)[十]深度学习Pytorch-transforms图像操作及自定义
本节将讨论另一种广泛使用的3D数据文件格式，即OBJ文件格式。OBJ文件格式最初由WavefrontTechnologiesInc.开发。与PLY文件格式类似，OBJ格式也有ASCII版本和二进制版本。二进制版本是专有的且未记录文档。本章主要讨论ASCII版本。与之前类似，将通过示例来学习文件格式。第一个示例cube.obj如下所示。可以猜到，OBJ文件定义了一个立方体的网格。第一行mtlib./cube.mtl声明了伴随的材质模板库（MTL）文件。MTL文件描述了表面着色属性，将在下一个代码片段中解释。对于ocube行，起始字母o表示该行定义了一个对象，对象的名称是cube。以#开头的行是注
一、准备工作硬件：JetsonXavierNX开发板（笔者购入为带128g内存条的EMMC版）、跳线帽（杜邦线）、microUSB转USB数据线、电源线软件：Ubuntuhost主机（可运行Ubuntu的虚拟机/双系统）、NVIDIASDKMANAGER（下载地址：NVIDIASDKManager|NVIDIADeveloper）。在Ubuntu主机里安装sdkmanager，命令如下，版本不同则tab补齐安装。sudoaptinstall./sdkmanager_1.6.0-8170_amd64.deb硬件准备用杜邦线或者跳线帽将XavierNX第三个引脚FC_REC与第二/四引脚GND短接
