Snippets for Pytorch
新手码代码时不会之处，资料源于各个博客，参考链接位于最下方
DCGAN
发表于
分类于
GAN
DCGAN
Title: Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
Abstract
CNN has been used in mutiple supervised tasks, but rarely used in unsupervised learning.
In comination with GAN, this article introduced DCGANs, showing convincing evidence of the power in generating data.
GAN
发表于
分类于
GAN
GAN
Abstract
- Training target: In the space of arbitrary function $G$ and $D$, a unique solution exists, with $G$ recovering the training data distribution and $D$ equal to $\frac{1}{2}$ everywhere.
- Advantage: There is no need for any Markov chains or unrolled approximate inference networks during either training or generation of samples.
PyQt5基本窗口控件（一）
log20210820
发表于
分类于
log
CARE
Title：Content-aware image restoration: pushing the limits of fluorescence microscopy
内容感知图像重建（基于内容的图像恢复，为什么是内容感知？）：推动了荧光显微镜的极限（什么极限？）
Highlights
- 问题指向性明确，很直接地针对多个生物问题设计网络和算法，不按照常规套路进行（固定细胞-活细胞-生物学效应）
- 内容丰富，包含了去噪、投影、各向同性重建（三维数据）、超分辨重建、概率生成网络等几乎所有荧光显微图像重建可以包含地内容
- 评价方式丰富，不仅仅局限于常规地MSE等损失函数或是结构相似度方法，甚至在网络后又进行了分割和追踪等操作，用分割和追踪地效果评价网络地效果
- 新建了一套用于评估重建图像可靠性地评价算法
- 基于一般机器学习中地概念，将其适用于本文面对的科研问题，开发了新的方法。