tensorflow

题目：学习深度卷积神经网络实现图像超分辨率 ECCV 2014 收录 摘要： 我们提出了一种单张图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深卷积神经网络(CNN)[15]，它以低分辨率图像为输入输出高分辨率图像。我们进一步证明了 传统的稀疏编码SR方法 也可以看作是一个深度卷积网络。但不同于传统的方法去单独处理每个组件，我们的方法联合优化所有层。我们的深度CNN是一个轻量级的架构，展示了最先进的修复质量，并实现了快速的在线应用。 ----------------------------------------- 代码地址：https://github.com/tegg89/SRCNN-Tensorflow 基于TensorFlow 其他地址：http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html 基于matlab和caffe ----------------------------------------- 优点： 网络结构十分简单，仅仅用了三个卷积层，框架在选择参数时很灵活，可以采用四层或更多层，更大的过滤尺寸来进一步提高性能。 缺点： SRCNN针对的是单个尺度因子进行训练，如果需要新的规模，则必须对新模型进行训练。特征提取只用了一层卷积层，存在着感受野较小的问题

最近联邦机器学习越来越火，字节也正式对外宣讲开源了联邦机器学习平台Fedlearner。这次头条开源的 Fedlearner 与我之前分析过得华为、微众的联邦机器学习平台有什么不同呢？主要体现在以下几个方面： 产品化： Fedlearner 的代码里有大量的js、Html模块，也是第一次让我们可以直观的看到联邦机器学习平台大概是什么样的，如果做成产品需要长成什么样。 业务多样化：之前华为、微众更多地强调联邦机器学习在风控业务的落地。头条开始强调联邦学习在推荐、广告等业务中的落地，并且给了很明确的数据，在某教育业务板块广告投放效果增加209% 可输出性：如果说之前的联邦机器学习平台更多地从理论层面做介绍，这一次字节的Fedlearner强调了可输出性，比如为了保持联邦建模双方的环境一致性，通过K8S的部署模式快速拉起和管理集群。这是为ToB对外输出服务做技术准备 下面分别介绍下Fedlearner在这三方面的一些工作。 Fedlearner产品化工作 以推荐广告业务为例，联邦机器学习平台的广告主和平台方应该各自管理一套模型展示服务和模型训练服务。 需要有两套协议保证客户的联邦建模，一套是数据一致性问题。比如在纵向联邦学习场景下，用户在页面上点击了某个广告，平台方和广告主各自会捕获一部分日志。如何能实时的保证这两部分捕获的日志的一致性，并且拼接成训练样本，需要一套实时数据样本拼接协议。

今天搭建了Keras深度学习的环境 详细记录一下 安装Anaconda3 Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。 Anaconda3官网下载： https://www.anaconda.com/distribution/#download-section 选适合的版本安装即可 安装的时候记得勾选add anaconda to my PATH environment variable 安装好之后检查一下： 没有问题。 在Anaconda中创建TensorFlow的虚拟环境 conda info --envs 这个命令是检测Anaconda所有的环境变量的 然后创建虚拟环境： conda create --name tensorflow python=3.5 TensorFlow官方现在还不支持python3.7 所以我装的是3.5 安装完之后再来看一下： 现在已经创建了一个TensorFlow的虚拟环境了。 进入这个虚拟环境的命令是： activate tensorflow 退出是： deactivate 安装CUDA和CUDNN 先安装cuda： https://developer.nvidia.com/cuda-toolkit-archive 我下的是cuda10.0 注意这里安装的时候 visual

　　当你访问“This Person Does Not Exist”（此人不存在）网站的时候，你会看到一张朝你微笑的人脸（每次刷新都会跳出不同肤色的人脸）。尽管这些笑脸非常的真实，人眼也很难区分，但是这些笑脸均由神经网络算法生成的，均不是现实生活中的真人。 　　该网站的创作者Phillip Wang于2月12日在Facebook群组中发布了这个网站，声称该网站的神经网络算法能够从512维矢量中划分面部图像。该技术基于NVIDIA设计的最先进人工智能StyleGAN，一种可以分离图像各种元素的神经网络并用于学习和生成新的图像。Nvidia工程师团队于2月6日在arXiv上更新的一份预打印论文中进行了详细介绍。 　　StyleGAN是英伟达2018年底发布的最新研究成果，官方开源了代码，需要Python 3.6和TensorFlow 1.10以上 （支持GPU） 。和官方代码实现一起发布的，还有Flickr高清人脸数据集。数据集里包含7万张1024×1024高清人像。英伟达说，这些照片在年龄、种族、以及图片背景上，都有很强的多样性。 　　代码实现：https://github.com/NVlabs/stylegan 　　FFHQ数据集：https://github.com/NVlabs/ffhq-dataset 　　论文：https://arxiv.org/abs/1812.04948