目录前言一、前期准备工作（1）Anaconda的下载（2）PyCharm的下载（3）Github代码下载（4）数据下载二、配置环境（1）环境文件（2）查看训练结果和损失函数（3）在PyCharm中运行与修改三、结果展示前言本文创作来源于B站上的一个搭建深度学习环境视频，我将从零开始教大家搭建一个基础的深度学习案例环境以及解答本人在搭建时遇到的一系列问题。本文将以Github上的Pix2Pix为例，展示深度学习中环境搭建以及Github代码的使用。B站相关视频（建议配套使用）：【傻瓜式】手把手教你搭建深度学习环境以及跑通Github代码（以Pix2PixGAN为例）Github项目链接：http
一软件安装软件下载地址：链接：https://pan.baidu.com/s/1amqd6mYHtXVLf13442eEIQ提取码：k5tr安装完成后，启动软件。二影像处理1、新建项目，选择保存路径和工程文件名。2、选择添加图像。3、编辑参数，可默认。4、选择输出参数，可默认。5、生成正射影像和DSM。其中1为优化的结果，生成时间较慢，2为快速的结果，用时短。6、点击开始，就开始影像的拼接处理了，等待1-2个小时即可完成。6、生成如下文件夹，选择选择3_dsm_ortho中2_mosaic，即可看到拼接的正射影像。
1.安装QGroundControl(QGC)地面站，打开QGroundControl(QGC)地面站，使用安卓数据线，不能是充电线链接pixhawk(乐迪minipix)。2.初始链接，显示如下界面： 3.鼠标左键点击左上角图标，出现设置选项。可以对飞行器设置、分析以及软件设置，例如语言。4.点击第一项。软件读出飞控现有设置，如下： 5.有绿色标志的为可操作选项，点击可进入相应设置 6.如果是第一次设置，或者需要重刷写固件，则点击固件，出现下图后，重现插拔飞控。 7.地面站此时重新读取飞控，右侧出现如图： 8.根据飞控类型，选择所需稳定版本。点击确定。 9.耐心等待进度条完成，重新刷写飞
1.安装QGroundControl(QGC)地面站，打开QGroundControl(QGC)地面站，使用安卓数据线，不能是充电线链接pixhawk(乐迪minipix)。2.初始链接，显示如下界面： 3.鼠标左键点击左上角图标，出现设置选项。可以对飞行器设置、分析以及软件设置，例如语言。4.点击第一项。软件读出飞控现有设置，如下： 5.有绿色标志的为可操作选项，点击可进入相应设置 6.如果是第一次设置，或者需要重刷写固件，则点击固件，出现下图后，重现插拔飞控。 7.地面站此时重新读取飞控，右侧出现如图： 8.根据飞控类型，选择所需稳定版本。点击确定。 9.耐心等待进度条完成，重新刷写飞
详细步骤如下（采用是精灵4RTK和Pix4D4.5.6版本）：拷贝数据到电脑然后打开软件新建项目输入项目名称并选好路径点击下一步 2.添加无人机照片路径或选择添加照片完成并点击下一步 3.因为精灵RTK照片自带POS信息这里就直接默认坐标系，相机参数是写入在照片里可以自动读取，如果不确定就用记事本打开照片找到XMP把相机信息参数输入点击下一步 4.输出坐标系选择自己需要的坐标系，和像控点一致的坐标系或RTK默认的CGCS2000坐标系，然后点击下一步 5.这里因为是需要正射影像图所以选择第一个标准3DMaps输出质量高然后点击Finish就完成创建项目 6.项目创建完成到这个界面，地图视图里显
概念：给定一个输入数据和噪声数据生成目标图像，在pix2pix中判别器的输入是生成图像和源图像，而生成器的输入是源图像和随机噪声（使生成模型具有一定的随机性），pix2pix是通过在生成器的模型层加入Dropout来引入随机噪声，但是其带来输出内容的随机性并没有很大。同时在损失函数的使用上采用的是L1正则而非CGAN使用的L2正则用来使图像更清晰。条件生成对抗网络为基础，用于图像翻译的通用模型框架。（图像翻译：将一个物体的图像表征转化为该物体的另一个表征，即找到两不同域的对应关系，从而实现图像的跨域转化）（条件生成对抗网络：相较于传统GAN的生成内容仅由生成器参数和噪音来决定，CGAN中向生成
本文主要探讨如何使用指令微调的方法教会StableDiffusion按照指令PS图像。这样，我们StableDiffusion就能听得懂人话，并根据要求对输入图像进行相应操作，如:将输入的自然图像卡通化。图1：我们探索了StableDiffusion的指令微调能力。这里，我们使用不同的图像和提示对一个指令微调后的StableDiffusion模型进行了测试。微调后的模型似乎能够理解输入中的图像操作指令。（建议放大并以彩色显示，以获得最佳视觉效果）InstructPix2Pix:LearningtoFollowImageEditingInstructions一文首次提出了这种教StableDif
instruct-pix2pix作者团队提出了一种通过人类自然语言指令编辑图像的方法。他们的模型能够接受一张图像和相应的文字指令(也就是prompt)，根据指令来编辑图像。作者团队使用两个预训练模型（一个是语言模型GPT-3,另一个是文本到图像模型StableDiffusion)生成大量编辑图像的样例数据,然后基于这些数据训练出InstructPix2Pix模型，能够在推理过程中适用于真实图像和用户提供的指令。由于它在前向传播中执行编辑并且不需要对每个示例进行fine-tine或inversion，模型仅需几秒钟就可快速完成图片的编辑。安装instruct-pix2pix插件instruct-
摘要：InstructPix2Pix提出了一种使用文本编辑图像的方法：给定输入图像和编辑指令，告诉模型要做什么，模型将遵循这些指令来编辑图像。本文分享自华为云社区《InstructPix2Pix:动动嘴皮子，超越PS》，作者：杜甫盖房子。InstructPix2Pix:LearningtoFollowImageEditingInstructions arXiv CodeInstructPix2Pix提出了一种使用文本编辑图像的方法：给定输入图像和编辑指令，告诉模型要做什么，模型将遵循这些指令来编辑图像，如：我们在ModelArts中发布了一个notebook方便大家玩一玩，同时也将对模型的实现
一、什么是pix2pixGAN论文：《Image-to-ImageTranslationwithConditionalAdversarialNetworks》 pix2pixGAN主要用于图像之间的转换，又称图像翻译。图像处理的很多问题都是将一张输入的图片转变为一张对应的输出图片，端到端的训练。如果要根据每个问题设定一个特定的lossfunction来让CNN去优化，通常都是训练CNN去缩小输入跟输出的欧氏距离，但这样通常会得到比较模糊的输出。 普通的GAN接收的G部分的输入是随机向量，输出是图像；D部分接收的输入是图像(生成的或是真实的)，输出是对或者错。这样G和D联手就能输出真实的图
