1.需求 给定一个二维数组 100行, 5列, 每一列绘制一条折线, 横轴为行索引, 纵轴为对应位置的值, 绘制在一个子图里面, 使用python plot, 使用随机颜色进行区别 添加显示和隐藏按钮, 可以对每条折线进行显示和隐藏 2.代码 import numpy as np import matplotlib.pyplot as plt from matplotlib.
这里是实用的opencv进行图片的提取,自然也是想使用opencv的imshow方法来显示图像,但是在google colab中不可以使用,使用寻找了一下变通的显示方法。 方法一:使用matplotlib 使用plt需要交换一下r、b通道,否则显示不正常 import cv2 import matplotlib.pyplot as plt from google.colab.patche
0. 简介 本文综述了深度生成模型,特别是扩散模型(Diffusion model),如何赋予机器类似人类的想象力。扩散模型在生成逼真样本方面显示出巨大潜力,克服了变分自编码器中的后分布对齐障碍,缓解了生成对抗网络中的对抗性目标不稳定性。 扩散模型包括两个相互连接的过程:一个将数据分布映射到简单先验分布的前向过程和一个相应的反向过程。前向过程类似于具有时变系数的简单布朗运动。神经网络通过使用去噪评
需求 使用matplotlib 绘制折线图 响应鼠标事件 单击折线 线条高亮显示 解决方法: 使用 mplcursors 库, 一句代码可实现. 代码 import matplotlib.pyplot as plt import mplcursors import numpy as np # 生成一些示例数据 x = np.linspace(0, 10, 100) y =
从大量无标注数据中进行预训练使许多自然语言处理任务获得显著的性能提升。总的来看,预训练模型的优势包括: 在庞大的无标注数据上进行预训练可以获取更通用的语言表示,并有利于下游任务为模型提供了一个更好的初始化参数,在目标任务上具备更好的泛化性能、并加速收敛是一种有效的正则化手段,避免在小数据集上过拟合,而一个随机初始化的深层模型容易对小数据集过拟合下图就是各种预训练模型的思维导图,其分别按照词嵌入(
描述 之前文章介绍过DBSCAN,使用C++实现过该算法。现在针对某个项目,利用python实现DBSCAN和Kmeans算法。项目简介:利用某传感器可以采集场景中的点云,每一帧都可以采集数量不等的点(x,y,z)。想要利用DBSCAN和Kmeans对点云进行无监督式的聚类,并利用匈牙利匹配对不同帧的点云簇进行匹配,从而实现跟踪效果。项目备注:这是别人拜托我来写的,我花了一点点时间。从我的角度,这
在之前写的上百篇机器学习博客中,不时会使用矩阵向量求导的方法来简化公式推演,但是并没有系统性的进行过讲解,因此让很多朋友迷惑矩阵向量求导的具体过程为什么会是这样的。这里准备用几篇博文来讨论下机器学习中的矩阵向量求导,今天是第一篇。 本系列主要参考文献为维基百科的Matrix Caculas和张贤达的《矩阵分析与应用》。 1. 矩阵向量求导引入 在高等数学里面,我们已经学过了标
yolo v1发表在CVPR2016上,是经典的one-stage检测算法。在没接触yolo之前,我曾经就和师兄争论过,是否能把bounding box的坐标和宽高像分类网络那样预测出来,Yolo v1的出现证明了我的猜测是对的。 论文标题: 《You Only Look Once: Unified, Real-Time Object Detection》论文地址:https://arxiv
vim 编辑器 √vim 文件名 打开或新建文本 √在 vim 中 点击 i 进入插入模式 可往文本里写内容 √ESC :q 退出 vim √ESC :wq 保存更改退出 vim √ESC :q! 不保存更改退出 vim 条件语句 √1、if 条件成立 :执行任务√2、if 条件 1 成立 :执行任务 1else :执行任务 2√3、if 条件 1 成立 :执行任务 1e
神经网络发展 神经网络的发展历史(三起两落) 机器学习的典型应用 小结; 神经网络的发展历史(三起两落) 第一次兴起: 1958 年,人们把两层神经元首尾相接,组成单层神经网络,称做感 知机。感知机成了首个可以学习的人工神经网络。引发了神经网络研究的 第一 次兴起。第一次寒冬: 1969 年,这个领域的权威学者 Minsky 用数学公式证明了只有单 层神经网络的感
什么是机器学习 机器学习的概念: 简单模型举例——决策树模型 机器学习和传统计算机运算的区别: 什么是深度学习 深度学习的概念 人脑神经网络 生物学中的神经元 计算机中的神经元模型 人工智能 Vs 机器学习 Vs 深度学习 什么是机器学习 机器学习的概念: 机器学习是一种统计学方法,计算机利用已有数据得出某种模 型,再利用此模
模块,包,变量 模块 包 变量作用域 类、对象和面向对象的编程 √1、类(class): √2、实例化: √3、对象: √4、面向对象: √5、类的定义: √6、类里定义函数时,语法规定第一个参数必须是 self 。 √7、 init函数, √8、对象调用类里的函数,用对象.函数名; √9、对象调用类里的变量,用对象.变量名。 √10、类内定义函数时,
9. Zero-shot Image-to-Image Translation 该文提出一种无需训练,即可对图像进行文本驱动编辑的方法。在准确修改目标对象的同时,保证原图的背景和布局等内容不受太多的影响。下图展示了几种文本驱动图像编辑的效果,如将猫变成狗,将马变成斑马等。 该文主要做了以下几点工作,首先将输入的图像\tilde{x}利用Stable Diffusion编码到潜在空间得到
6. Diffusion-based Image Translation using Disentangled Style and Content Representation 本文介绍了一种基于扩散模型的图像转换方法,图像转换就是根据文本引导或者图像的引导,将源图像转换到目标域中,如下图所示。 在图像转换中待解决的一个关键问题就是如何在将语义特征转换到目标域中时保留源图像的结构特征
无监督提取特征 特征提取是无监督学习中很重要且很基本的一项任务,常见形式是训练一个编码器将原始数据集编码为一个固定长度的向量。自然地,我们对这个编码器的基本要求是:保留原始数据的(尽可能多的)重要信息 重构 → 最大化互信息 自编码器:我们怎么知道编码向量保留了重要信息呢?一个很自然的想法是这个编码向量应该也要能还原出原始图片出来,所以我们还训练一个解码器,试图重构原图片,
5. SDEdit: Guided Image Synthesis and Editing With Stochastic Differential Equations 该文提出一种基于SDE扩散模型的引导图像生成和编辑方法。通过使用者在原图上给出一些引导,比如在图像上涂鸦或者增加一个图块,甚至可以不给定原图,直接纯手工绘制一个涂鸦作为输入,模型就能够根据输入的带有引导信息的图像生成对应的结
4. Palette: Image-to-Image Diffusion Models 该文提出一种基于扩散模型的通用图像转换(Image-to-Image Translation)模型——Palette,可用于图像着色,图像修复,图像补全和JPEG图像恢复等多种转换任务。Palette是一种条件扩散模型,目的是根据输入的条件x来构建分布p(y|x),其中x和y都是图像的形式。作者采用了25
8. BBDM: Image-to-Image Translation with Brownian Bridge Diffusion Models 本文提出一种基于布朗桥(Brownian Bridge)的扩散模型用于图像到图像的转换。图像到图像转换的目标是将源域A中的图像I_A,映射到目标域B中得到图像I_B。在一般的扩散模型中(如DDPM),是从目标域B中采集样本作为起点x_0对其进行扩
3. Residual Denoising Diffusion Models 该文提出一种残差去噪扩散模型(RDDM)可用去图像生成和图像修复(如去除阴影、去雨、暗光提升等)。该文最大的特点是提出一种双扩散模型,在扩散过程中不仅包含噪声\epsilon扩散,还包含残差信息I_{res}的扩散,这里的残差信息就是退化图像I_{in}和I_0之间的差值。例如去雨任务中,带有雨的图像就是I_{i
7. Prompt-to-Prompt Image Editing with Cross Attention Control 本文提出一种利用交叉注意力机制实现文本驱动的图像编辑方法,可以对生成图像中的对象进行替换,整体改变图像的风格,或改变某个词对生成图像的影响程度,如下图所示。 之前的文本驱动的图像生成方法很难对图像的内容进行精细地编辑,哪怕只改变了一点文本提示的内容都可能让生成
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信