定义dense(inputs,units,activation=None,use_bias=True,kernel_initializer=None,bias_initializer=tf.zeros_initializer(),kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,trainable=Tru

pixel-Shuffle：特征的通道数重新恢复为原来低分辨率输入时的大小，但是每个特征图的尺寸（高和宽）变大了。

SAME, VALID的区别：SAME进行填充，卷积核移动步长=1时尺寸不变，移动步长=stride时卷积完毕后尺寸为 输入的尺寸/stride再向上取整。VALID不进行填充，卷积后尺寸计算公式为 (输入尺寸 - 核尺寸)/stride + 1 再向下取整数。如果是VALID的话，则图片经过滤波器后可能会变小。padding的值为‘VALID’，表示边缘不填充。当其为‘SAME’时，表示填充到卷

由于最近在学习和运行不同的深度学习项目，需要频频安装和使用不同版本的深度学习依赖包或者环境，比如不同的python版本、不同的tensorflow和pytorch版本等等，遂作此文，以便自己日后翻阅。在安装一些深度学习依赖包或者其他包时，我们常常需要使用pip来安装，如果使用默认的国外安装源，那么速度是非常慢的，而假如我们把安装源或者镜像更换为国内的话，那么速度简直飞起，可以达到几兆每秒，下面看看

转载自 CNN中卷积层的计算细节卷积层尺寸的计算原理输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）输入矩阵、权重矩阵、输出矩阵这三者

结构ResNet block有两种，一种两层结构，一种三层结构我们需要求解的是映射：H(x)。残差结构将这个问题转换为求解网络的残差映射函数，也就是F(x)，其中F(x) = H(x)-x。残差：观测值与估计值之间的差。这里 H(x) 就是观测值，x 就是估计值（也就是上一层ResNet输出的特征映射）。我们一般称x为identity Function，它是一个跳跃连接；称F(x)为ResNet

定义适定问题(well-posed problem)，是数学领域的术语，它的成立需满足三个条件，若有一个不满足则称为"ill-posed problem"：a solution exists解必须存在the solution is unique解必须唯一the solution’s behavior changes continuously with the initial conditions.

转载自图像处理中不适定问题（ill posed problem）或称为反问题（inverse Problem）摘要图像处理中不适定问题（ill posed problem）或称为反问题（inverse Problem）的研究从20世纪末成为国际上的热点问题，成为现代数学家、计算机视觉和图像处理学者广为关注的研究领域。数学和物理上的反问题的研究由来已久，法国数学家阿达马早在19世纪就提出了不适定问题

一、命令# 进入指定的下载目录cd /d 指定目录的路径# 下载git clone *****.git（这是从github项目上面复制过来的下载链接，详情见下图）二、例子2.1 进入指定的目录2.2 开始下载

定义适定问题(well-posed problem)，是数学领域的术语，它的成立需满足三个条件，若有一个不满足则称为"ill-posed problem"：a solution exists解必须存在the solution is unique解必须唯一the solution’s behavior changes continuously with the initial conditions.