使用Pytorch从零开始构建DCGAN

在本文中，我们将深入研究生成建模的世界，并使用流行的 PyTorch 框架探索 DCGAN（生成对抗网络 (GAN) 的一种变体）的实现。具体来说，我们将使用 CelebA 数据集（名人面部图像的集合）来生成逼真的合成面部。在深入了解实现细节之前，我们首先了解 GAN 是什么以及 DCGAN 与它们有何不同，并详细探讨其架构。
在这里插入图片描述
那么，什么是 GAN？

简而言之，生成对抗网络（GAN）是一种令人着迷的机器学习模型，其中两个玩家（生成器和鉴别器）参与竞争性游戏。生成器的目的是创建真实的合成样本，例如图像或文本，而鉴别器的工作是区分真实样本和假样本。通过这场猫鼠游戏，GAN 学会生成高度令人信服且真实的输出，最终突破人工智能在创建新的多样化数据方面的界限。

在这里插入图片描述
理解DCGAN：

DCGAN（深度卷积生成对抗网络）是一种令人兴奋的机器学习模型，可以创建极其逼真和详细的图像。想象一下，一个系统可以通过分析数千个示例来学习生成全新的图片，例如面孔或风景。DCGAN 通过巧妙地结合两个网络来实现这一目标——一个网络生成图像，另一个网络试图区分真假图像。通过竞争过程，DCGAN 成为生成令人信服且难以与真实图像区分开的图像的大师，展示了人工智能的巨大创造潜力。

DCGAN的架构：

DCGAN（深度卷积生成对抗网络）的架构​​由两个基本组件组成：生成器和判别器。

生成器将随机噪声作为输入，并逐渐将其转换为类似于训练数据的合成样本。它通过一系列层来实现这一点，包括转置卷积、批量归一化和激活函数。这些层使生成器能够学习复杂的模式和结构，从而生成捕获真实数据的复杂细节的高维样本。

另一方面，鉴别器充当二元分类器，区分真实样本和生成样本。它接收输入样本并将其传递给卷积层、批量归一化和激活函数。鉴别器的作用是评估样本的真实性并向生成器提供反馈。通过对抗性训练过程，生成器和鉴别器不断竞争并提高性能，最终生成越来越真实的样本。

让我们开始实现我们的第一个 DCGAN：

假设您的环境中安装了 PyTorch 和 CUDA，我们首先导入必要的库。

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
from tqdm import tqdm
import torchvision.datasets as datasets
from torchvision.datasets import ImageFolder
from torchvision.utils import make_grid
import torchvision.utils as vutils
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
from torch.utils.data import Subset
import numpy as np

导入这些库后，您就可以使用 CelebA 数据集在 PyTorch 中继续实施 DCGAN。

为了设置训练 DCGAN 模型所需的配置，我们可以定义设备、学习率、批量大小、图像大小、输入图像中的通道数、潜在空间维度、历元数以及特征数判别器和生成器。以下是配置：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
LEARNING_RATE = 2e-4  # could also use two lrs, one for gen and one for disc
BATCH_SIZE = 128
IMAGE_SIZE = 64
CHANNELS_IMG = 3
Z_DIM = 100
NUM_EPOCHS = 5
FEATURES_DISC = 64
FEATURES_GEN = 64

“device”变量确保代码在可用的 GPU 上运行，否则返回到 CPU。“LEARNING_RATE”决定了模型在优化过程中学习的速率。“BATCH_SIZE”表示每次迭代中处理的样本数量。“IMAGE_SIZE”表示输入图像的所需尺寸。“CHANNELS_IMG”指定输入图像中颜色通道的数量（例如，RGB 为 3）。“Z_DIM”表示潜在空间的维度，它是生成器的输入。“NUM_EPOCHS”决定了训练期间遍历整个数据集的次数。“FEATURES_DISC”和“FEATURES_GEN”分别表示鉴别器和生成器网络中的特征数量。

这些配置对于训练 DCGAN 模型至关重要，可以根据具体要求和可用资源进行调整。

要加载 CelebA 数据集并准备进行训练，我们可以定义数据转换、创建数据集对象并设置数据加载器：

transform = transforms.Compose([
    transforms.Resize((IMAGE_SIZE, IMAGE_SIZE)),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

dataset = datasets.ImageFolder('<path_to_celeba_dataset_in_your_directoty>', transform=transform)
dataloader = DataLoader(dataset=dataset, batch_size=BATCH_SIZE, shuffle=True)

要可视化 CelebA 数据集中的一批训练图像：

real_batch = next(iter(dataloader))
plt.figure(figsize=(7,7))
plt.axis("off")
plt.title("Training Images")
plt.imshow(np.transpose(vutils.make_grid(real_batch[0].to(device)[:49], padding=2, normalize=True).cpu(),(1,2,0)))

在这里插入图片描述
创建生成器网络：
在这里插入图片描述
在 DCGAN 架构中，噪声数据最初表示为形状为 100x1x1 的张量，经过一系列转置卷积运算，将其转换为大小为 3x64x64 的输出图像。

以下是重塑过程的逐步分解：

  1. 输入噪声：100x1x1
  2. 第一个转置卷积层：
    — 输出大小：1024x4x4
    — 内核大小：4x4，步长：1，填充：0
  3. 第二个转置卷积层：
    — 输出大小：512x8x8
    — 内核大小：4x4，步长：2，填充：1
  4. 第三转置卷积层：
    — 输出大小：256x16x16
    — 内核大小：4x4，步长：2，填充：1 5.
  5. 第四转置卷积层：
    — 输出大小：128x32x32
    — 内核大小：4x4，步长：2，填充：1
  6. 最终转置卷积层：
    — 输出大小：3x64x64
    — 内核大小：4x4，步幅：2，填充：1

通过将噪声数据传递到这些转置卷积层，生成器逐渐将低维噪声放大为与所需大小 3x64x64 匹配的高维图像。重塑过程涉及增加空间维度，同时减少通道数量，从而产生具有代表 RGB 颜色通道的三个通道和 64x64 像素尺寸的最终输出图像。

class Generator(nn.Module):
    def __init__(self, z_dim, channels_img, features_g):
        super(Generator, self).__init__()
        self.net = nn.Sequential(
            self._block(z_dim, features_g * 16, 4, 1, 0),
            self._block(features_g * 16, features_g * 8, 4, 2, 1),
            self._block(features_g * 8, features_g * 4, 4, 2, 1),
            self._block(features_g * 4, features_g * 2, 4, 2, 1),
            nn.ConvTranspose2d(
                features_g * 2, channels_img, kernel_size=4, stride=2, padding=1
            ),
            nn.Tanh()
        )

    def _block(self, in_channels, out_channels, kernel_size, stride, padding):
        return nn.Sequential(
            nn.ConvTranspose2d(
                in_channels,
                out_channels,
                kernel_size,
                stride,
                padding,
                bias=False
            ),
            nn.BatchNorm2d(out_channels),
            nn.ReLU()
        )

    def forward(self, x):
        return self.net(x)

Generator 类代表 DCGAN 架构中的生成器网络。它将潜在空间的维度 (z_dim)、输出图像中的通道数 (channels_img) 和特征数 (features_g) 作为输入。生成器被定义为顺序模块。

该_block方法在生成器中定义了一个块，其中包含转置卷积层、批量归一化和 ReLU 激活函数。该块重复多次，逐渐增加输出图像的空间维度。

在该forward方法中，输入噪声 (x) 通过生成器的连续层，从而生成生成的图像。

生成器的架构旨在将低维潜在空间转换为高维图像，并逐渐将其放大到所需的输出大小。然后输出图像通过双曲正切激活函数 ( nn.Tanh()) 以确保其像素值在 [-1, 1] 范围内。

通过以这种方式定义生成器，当提供随机噪声作为输入时，它学会生成类似于训练数据的合成图像。

创建鉴别器网络：
在这里插入图片描述
在 DCGAN 架构中，判别器采用大小为 3x64x64 的输入图像，并通过一系列卷积层对其进行处理，从而产生 1x1x1 的输出。以下是重塑过程的逐步分解：

  1. 输入图像：3x64x64
  2. 第一个卷积层：
    — 输出大小：64x32x32
    — 内核大小：4x4，步长：2，填充：1
  3. 第二个卷积层：
    — 输出大小：128x16x16
    — 内核大小：4x4，步长：2 ，填充：1
  4. 第三个卷积层：
    — 输出大小：256x8x8
    — 内核大小：4x4，步长：2，填充：1 5.
  5. 第四个卷积层：
    — 输出大小：512x4x4
    — 内核大小：4x4，步长：2，填充：1
  6. 最终卷积层：
    — 输出大小：1x1x1
    — 内核大小：4x4，步长：2，填充：0

通过将输入图像传递给这些卷积层，鉴别器逐渐减小空间维度，同时增加通道数量。这种转换允许鉴别器评估图像并对其真实性做出决定。1x1x1 的输出大小表示单个值，该值表示输入图像为真或假的概率。

class Discriminator(nn.Module):
    def __init__(self, channels_img, features_d):
        super(Discriminator, self).__init__()
        self.disc = nn.Sequential(
            nn.Conv2d(channels_img, features_d, kernel_size=4, stride=2, padding=1),
            nn.LeakyReLU(0.2),
            self._block(features_d, features_d * 2, 4, 2, 1),
            self._block(features_d * 2, features_d * 4, 4, 2, 1),
            self._block(features_d * 4, features_d * 8, 4, 2, 1),
            nn.Conv2d(features_d * 8, 1, kernel_size=4, stride=2, padding=0),
            nn.Sigmoid()
        )

    def _block(self, in_channels, out_channels, kernel_size, stride, padding):
        return nn.Sequential(
            nn.Conv2d(
                in_channels,
                out_channels,
                kernel_size,
                stride,
                padding,
                bias=False
            ),
            nn.BatchNorm2d(out_channels),
            nn.LeakyReLU(0.2)
        )

    def forward(self, x):
        return self.disc(x)

Discriminator 类代表 DCGAN 架构中的鉴别器网络。它将输入图像中的通道数 (channels_img) 和特征数 (features_d) 作为输入。鉴别器被定义为一个顺序模块。

该_block方法在判别器内定义了一个块，由卷积层、批量归一化和 LeakyReLU 激活组成。该块重复多次，逐渐增加特征数量并减少输入图像的空间维度。

在该forward方法中，输入图像 (x) 通过鉴别器的连续层，由于最后的 sigmoid 激活，输出表示输入为真 (1) 或假 (0) 的概率。

鉴别器的架构使其能够区分真假图像，使其成为 DCGAN 对抗训练过程的重要组成部分。

创建一个函数来初始化权重：

def initialize_weights(model):
    classname = model.__class__.__name__
    if classname.find('Conv') != -1:
        nn.init.normal_(model.weight.data, 0.0, 0.02)
    elif classname.find('BatchNorm') != -1:
        nn.init.normal_(model.weight.data, 1.0, 0.02)
        nn.init.constant_(model.bias.data, 0)

在此函数中，我们接收 amodel作为输入，它可以引用生成器或鉴别器网络。我们迭代模型的各层并根据层类型初始化权重。这些权重是由 DCGAN 论文建议的。

对于卷积层 ( Conv)，我们使用nn.init.normal_平均值 0 和标准差 0.02 来初始化权重。

对于批量归一化层 ( BatchNorm)，我们使用 来初始化权重，平均值为 1，标准差为 0.02 nn.init.normal_，并使用 来将偏差设置为 0 nn.init.constant_。

通过调用此函数并将生成器和鉴别器网络作为参数传递，您可以确保网络的权重得到适当初始化以训练 DCGAN 模型。

gen = Generator(Z_DIM, CHANNELS_IMG, FEATURES_GEN).to(device)
disc = Discriminator(CHANNELS_IMG, FEATURES_DISC).to(device)

initialize_weights(gen)
initialize_weights(disc)

gen现在，我们通过传递潜在空间的维度 ( Z_DIM)、输出图像中的通道数 ( CHANNELS_IMG) 以及生成器中的特征数量 ( FEATURES_GEN)来创建生成器网络 ( ) 的实例。disc类似地，我们通过指定输入通道的数量 ( CHANNELS_IMG) 和鉴别器中的特征数量 ( )创建鉴别器网络 ( ) 的实例FEATURES_DISC。

创建网络实例后，我们调用initialize_weights生成器和鉴别器网络上的函数，根据 DCGAN 论文中建议的权重初始化技术来初始化它们的权重。

通过执行此代码，您将准备好生成器和鉴别器网络，并正确初始化它们的权重，用于训练 DCGAN 模型。

opt_gen = optim.Adam(gen.parameters(), lr=LEARNING_RATE, betas=(0.5, 0.999))
opt_disc = optim.Adam(disc.parameters(), lr=LEARNING_RATE, betas=(0.5, 0.999))
criterion = nn.BCELoss()

fixed_noise = torch.randn(32, Z_DIM, 1, 1).to(device)

我们为生成器和鉴别器网络定义了优化器。我们使用模块中的 Adam 优化器torch.optim。生成器优化器 ( opt_gen) 使用生成器参数、学习率LEARNING_RATE以及 Adam 优化器的 beta 参数（0.5 和 0.999）进行初始化。

类似地，判别器优化器 ( opt_disc) 使用判别器的参数、相同的学习率和 beta 参数进行初始化。

接下来，我们定义对抗训练过程的损失标准。在这里，我们使用二元交叉熵损失 (Binary Cross Entropy Loss nn.BCELoss())，它在 GAN 中常用来将判别器的预测与真实标签进行比较。

最后，我们创建一个固定噪声张量 ( fixed_noise)，用于在训练过程中生成样本图像。该torch.randn函数根据正态分布生成随机数。

通过设置优化器、损失准则和固定噪声张量，您就可以开始训练 DCGAN 模型了。

def show_tensor_images(image_tensor, num_images=32, size=(1, 64, 64)):
    image_tensor = (image_tensor + 1) / 2
    image_unflat = image_tensor.detach().cpu()
    image_grid = make_grid(image_unflat[:num_images], nrow=4)
    plt.imshow(image_grid.permute(1, 2, 0).squeeze())
    plt.show()

“show_tensor_images”函数是一个实用函数，它获取图像张量，对它们进行标准化，创建图像网格，并使用 matplotlib 显示它们，以便在训练过程中轻松可视化。

训练模型：

gen.train()
disc.train()

for epoch in range(NUM_EPOCHS):
    for batch_idx, (real, _ ) in enumerate(dataloader):
        real = real.to(device)
        ### create noise tensor
        noise = torch.randn((BATCH_SIZE, Z_DIM, 1, 1)).to(device)
        fake = gen(noise)

        ### Train Discriminator: max log(D(x)) + log(1 - D(G(z)))
        disc_real = disc(real).reshape(-1)
        loss_disc_real = criterion(disc_real, torch.ones_like(disc_real))
        disc_fake = disc(fake.detach()).reshape(-1)
        loss_disc_fake = criterion(disc_fake, torch.zeros_like(disc_fake))
        loss_disc = (loss_disc_real + loss_disc_fake) / 2
        disc.zero_grad()
        loss_disc.backward()
        opt_disc.step()

        ### Train Generator: min log(1 - D(G(z))) <-> max log(D(G(z))
        output = disc(fake).reshape(-1)
        loss_gen = criterion(output, torch.ones_like(output))
        gen.zero_grad()
        loss_gen.backward()
        opt_gen.step()

        ### Print losses occasionally and fake images occasionally
        if batch_idx % 50 == 0:
            print(
                f"Epoch [{epoch}/{NUM_EPOCHS}] Batch {batch_idx}/{len(dataloader)} \
                  Loss D: {loss_disc:.4f}, loss G: {loss_gen:.4f}"
            )
            with torch.no_grad():
                fake = gen(fixed_noise)
                img_grid_real = torchvision.utils.make_grid(real[:32], normalize=True)
                img_grid_fake = torchvision.utils.make_grid(fake[:32], normalize=True)
                show_tensor_images(img_grid_fake)

我们可以将本次培训分为四个部分以便更好地理解。

  1. 噪声生成：随机噪声 ( noise) 使用形状为 的正态分布生成(BATCH_SIZE, Z_DIM, 1, 1)。
  2. 判别器训练：判别器网络是通过评估真实图像 ( ) 并根据判别器与地面真实标签（全部）的预测real计算损失 ( ) 来训练的。loss_disc_real假图像 ( fake) 是通过将噪声传递到生成器网络来生成的。评估鉴别器对假图像 ( ) 的预测，并根据与地面真实标签（全零）相比的预测来计算disc_fake损失 ( ) 。loss_disc_fake平均损失 ( ) 计算为和loss_disc的平均值。判别器参数的梯度设置为零，反向传播损失，并更新判别器的优化器。loss_disc_realloss_disc_fake
  3. 生成器训练：生成器网络是通过fake使用噪声生成假图像（ ）来训练的。获得判别器对假图像 ( ) 的预测，并根据与地面真实标签（全部）相比的预测来计算output损失 ( )。loss_gen生成器参数的梯度设置为零，反向传播损失，并更新生成器的优化器。
  4. 进度跟踪和图像可视化：每 50 个批次后，打印当前纪元、批次索引、鉴别器损失 ( loss_disc) 和生成器损失 ( )。loss_gen样本图像是通过将固定噪声传递到生成器网络来生成的。真实图像和生成图像都被转换为图像网格，然后显示图像网格以可视化生成器网络的学习进度。

每个时期生成的假图像：

Starting of the first epoch:Starting of the first epoch
After first epoch:
在这里插入图片描述
After second epoch:
在这里插入图片描述
After third epoch:
在这里插入图片描述
After fourth epoch:
在这里插入图片描述
End results ( After 5 epochs):
在这里插入图片描述

结论: 如果您能够获得更好的结果，

  1. 增加模型容量：在生成器和鉴别器网络中添加更多层或增加滤波器数量，以增强模型学习复杂模式并生成更高质量图像的能力。
  2. 利用更深的卷积层：实施ResNet 或 DenseNet 等更深层次的架构来捕获更复杂的特征和纹理，从而提高图像质量。
  3. 使用更大的数据集：在更大、更多样化的数据集上训练 DCGAN 可以帮助模型学习更广泛的图像变化，并提高其生成高分辨率图像的能力。
  4. 调整训练参数：试验学习率、批量大小和训练迭代等超参数，以优化训练过程并提高模型生成更高分辨率图像的能力。

博文译自Manohar Kedamsetti的博客。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/178801.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【技巧】PDF文件如何编辑？

【技巧】PDF文件如何编辑？

日常办公中我们经常会用到PDF文件&#xff0c;PDF具备很好的兼容性、稳定性及安全性&#xff0c;但却不容易编辑&#xff0c;那PDF要如何编辑呢&#xff1f; 如果打开PDF文件就只是只读的性质&#xff0c;说明文件是在线打开&#xff0c;或者通过PDF阅读器打开的&#xff0c;这…
阅读更多...
AIGC，ChatGPT AI绘画 Midjourney 注册流程详细步骤

AIGC，ChatGPT AI绘画 Midjourney 注册流程详细步骤

AI 绘画，Midjourney完成高清图片绘制，轻松掌握AI工具。 前期准备： ① 一个能使用的谷歌账号 ② 可以访问外网 Midjourney注册 1.进入midjourney官网https://www.midjourney.com 点击左下角”Join the Beta”，就可以注册，第一次使用的小伙伴会弹出提示，只需要点击Acc…
阅读更多...
如何有效解决UDP协议传输问题实现快速安全的文件传输

如何有效解决UDP协议传输问题实现快速安全的文件传输

随着互联网技术的不断发展&#xff0c;UDP协议作为一种快速、简单的传输协议被广泛应用于文件传输领域。然而&#xff0c;UDP协议传输过程中也存在着一些问题&#xff0c;如传输速度不稳定、数据丢失等&#xff0c;这些问题会影响到文件传输的效率和安全性。本文将介绍UDP协议传…
阅读更多...
pikachu靶场Table pikachu.member doesn’t exist:解决

pikachu靶场Table pikachu.member doesn’t exist:解决

背景&#xff1a; 第一次搭建pikachu靶场&#xff0c;搭建好后访问index.php后&#xff0c;尝试练习&#xff0c;发现界面显示Table pikachu.member doesn t exist&#xff0c;后来找了很多教程&#xff0c;没有解决&#xff0c;后来发现是自己没有进行初始化&#xff0c;给大家…
阅读更多...
外网IP和内网ip的区别

外网IP和内网ip的区别

首先得先知道什么是ip地址&#xff0c;它就是唯一标识连接网络的设备的&#xff0c;即IP地址充当了设备在网络中的“住址”&#xff0c;使得设备能够相互通信和交换数据。 我们常听开发人员说外网内网&#xff0c;那么它们有什么区别呢&#xff1f; 外网可以理解为互联网&…
阅读更多...
人工智能基础部分21-神经网络中优化器算法的详细介绍，配套详细公式

人工智能基础部分21-神经网络中优化器算法的详细介绍，配套详细公式

大家好&#xff0c;我是微学AI&#xff0c;今天给大家介绍一下人工智能基础部分21-神经网络中优化器算法的详细介绍&#xff0c;配套详细公式。本文将介绍几种算法优化器&#xff0c;并展示如何使用PyTorch中的算法优化器&#xff0c;我们将使用MNIST数据集和一个简单的多层感知…
阅读更多...
2023年中国边缘计算网关现状及发展趋势分析[图]

2023年中国边缘计算网关现状及发展趋势分析[图]

边缘计算网关是一种可以在设备上运行本地计算、消息通信、数据缓存等功能的工业智能网关&#xff0c;可以在无需联网的情况下实现设备的本地联动以及数据处理分析。边缘计算网关是一种连接物联网设备和云端服务的关键技术&#xff0c;它可以在设备和云端之间建立一个安全、高效…
阅读更多...
从Github登录的双因子验证到基于时间戳的一次性密码：2FA、OTP与TOTP

从Github登录的双因子验证到基于时间戳的一次性密码：2FA、OTP与TOTP

Github于2023-03-09推出一项提高软件安全标准的措施&#xff0c;所有在Github上贡献过代码的开发人员在年底前必须完成 2FA&#xff08;Two-factory authentication&#xff0c;双因子认证&#xff09;。初听此事之时&#xff0c;不以为意&#xff0c;因为自己之前就知道双因子…
阅读更多...
迪文科技工业串口屏(DMG10600C070-03WTC)更新程序烧录刷机

迪文科技工业串口屏(DMG10600C070-03WTC)更新程序烧录刷机

迪文科技工业串口屏(DMG10600C070-03WTC)更新程序烧录刷机 问题 使用SD卡上电烧录&#xff0c;SD卡文件路径如下&#xff1a; 烧录时&#xff0c;无法写入&#xff0c;成功烧录文件数为0 解决方法 格式化读卡器 格式化脚本 echo off %1 %2 ver|find "5.">…
阅读更多...
Cookie与Session

Cookie与Session

文章目录 Cookie的介绍Cookie的由来什么是CookieCookie原理Cookie覆盖浏览器查看Cookie 在Django中操作Cookie设置Cookie查询浏览器携带的Cookie删除Cookie Cookie校验登录session Cookie的介绍 Cookie的由来 首先我们都应该明白HTTP协议是无连接的。 无状态的意思是每次请求…
阅读更多...
HQL刷题 50道

HQL刷题 50道

HQL刷题 50道 尚硅谷HQL刷题网站 答案 1.查询累积销量排名第二的商品 select sku_id from (select sku_id, dense_rank() over (order by total desc) rnfrom (select sku_id, sum(sku_num) totalfrom order_detailgroup by sku_id) t1) t2 where rn 2;2.查询至少连续三天下…
阅读更多...
部署jekins遇到的问题

部署jekins遇到的问题

jdk问题 我用的jdk版本是21的结果版本太新了&#xff0c;启动jekins服务的时候总是报错最后在jekins的安装目录下面的jekinsErr.log查看日志发现是jdk问题最后换了一个17版本的就解决了。 unity和jekins jekins和Git源码管理 jekins和Git联动使用 我想让jekins每次打包的时…
阅读更多...
OpenAI再次与Sam Altman谈判；ChatGPT Voice正式上线

OpenAI再次与Sam Altman谈判；ChatGPT Voice正式上线

11月22日&#xff0c;金融时报消息&#xff0c;OpenAI迫于超过700名员工联名信的压力&#xff0c;再次启动了与Sam Altman的谈判&#xff0c;希望他回归董事会。 在Sam确定加入微软后&#xff0c;OpenAI超700名员工签署了一封联名信&#xff0c;要求Sam和Greg Brockman&#x…
阅读更多...
链表OJ--下

链表OJ--下

文章目录 前言一、链表分割二、环形链表I三、环形链表II四、链表的回文结构五、随机链表的复制 前言 一、链表分割 牛客网CM11&#xff1a;链表分割- - -点击此处传送 题解&#xff1a; 思路图&#xff1a; 代码&#xff1a; 二、环形链表I 力扣141&#xff1a;环形链表…
阅读更多...
电子学会C/C++编程等级考试2022年12月（一级）真题解析

电子学会C/C++编程等级考试2022年12月（一级）真题解析

C/C++等级考试（1~8级）全部真题・点这里 第1题：加一 输入一个整数x，输出这个整数加1后的值，即x+1的值。 时间限制：1000 内存限制：65536输入 一个整数x(0 ≤ x ≤ 1000)。输出 按题目要求输出一个整数。样例输入 9样例输出 10 答案： //参考答案： #include<bits/st…
阅读更多...
C#使用whisper.net实现语音识别（语音转文本）

C#使用whisper.net实现语音识别（语音转文本）

目录 介绍 效果 输出信息 项目 代码 下载 介绍 github地址&#xff1a;https://github.com/sandrohanea/whisper.net Whisper.net. Speech to text made simple using Whisper Models 模型下载地址&#xff1a;https://huggingface.co/sandrohanea/whisper.net/tree…
阅读更多...
使用 Lhotse 高效管理音频数据集

使用 Lhotse 高效管理音频数据集

Lhotse 是一个旨在使语音和音频数据准备更具灵活性和可访问性的 Python 库&#xff0c;它与 k2 一起&#xff0c;构成了下一代 Kaldi 语音处理库的一部分。 主要目标&#xff1a; 1. 以 Python 为中心的设计吸引更广泛的社区参与语音处理任务。 2. 为有经验的 Kaldi 用户提供…
阅读更多...
13.求面积[有问题]

13.求面积[有问题]

#include<stdio.h> #include<math.h> #include<bits/stdc.h> using namespace std;void fun(double a,b,c) {double p,c;p (abc)/2;c sqrt(p*(p-a)*(p-b)*(p-c));printf("面积是&#xff1a;%lf",c); }int main(){double a,b,c;scanf("%lf,%…
阅读更多...
【机器学习】Nonlinear Independent Component Analysis - Aapo Hyvärinen

【机器学习】Nonlinear Independent Component Analysis - Aapo Hyvärinen

Linear independent component analysis (ICA) x i ( k ) ∑ j 1 n a i j s j ( k ) for all i 1 … n , k 1 … K ( ) x_i(k) \sum_{j1}^{n} a_{ij}s_j(k) \quad \text{for all } i 1 \ldots n, k 1 \ldots K \tag{} xi​(k)j1∑n​aij​sj​(k)for all i1…n,k1…K()…
阅读更多...
DedeBIZ 管理系统 DedeV6 v6.2.6 社区版 免费授权版

DedeBIZ 管理系统 DedeV6 v6.2.6 社区版 免费授权版

DedeBIZ 系统&#xff1a;开源、安全、高效的 DedeV6 v6.2.6 社区版 DedeBIZ 系统是基于 PHP 7 版本开发的&#xff0c;具有强大的可扩展性&#xff0c;并且完全开放源代码。它采用现流行的 Go 语言设计开发&#xff0c;不仅拥有简单易用、灵活扩展的特性&#xff0c;还具备更…
阅读更多...
最新文章

Copyright @ 2022~2023