PyTorchPytorch框架的一大好处就是我们可以直接调用Pytorch规定的一套架构，用户自己去选择完成整个深度学习任务的积木去堆积，避免了每次都要从底层写代码，并且框架下的函数都是多次优化过的，可以说框架的出现节约了时间成本PyTorch由4个主要包装组成：1.Torch：类似于Numpy的通用数组库，可以在将张量类型转换为（torch.cuda.TensorFloat）并在GPU上进行计

这篇文章是SRResnet的升级版——EDSR，其对网络结构进行了优化(去除了BN层)，省下来的空间可以用于提升模型的size来增强表现力。此外，作者提出了一种基于EDSR且适用于多缩放尺度的超分结构——MDSR。EDSR在2017年赢得了NTIRE2017超分辨率挑战赛的冠军。参考目录：①深度学习端到端超分辨率方法发展历程②【图像超分辨】EDSR③源码(Pytorch)④源码(Facebook-

参考文档：Nv官方文档Jason Sanders著(聂雪军译)《GPU高性能编程CUDA实战》Nv GPU架构GPU架构学习目的：学习CUDA 就是为了发挥其并行结构的特点，加速源程序的速度，提升性能(CUDA有关的性能提升一般均指速度提升了)。CUDA C/C++学习笔记基础前言三个基础函数设备查询事件共享内存常量内存纹理内存原子操作CUDA流、固定内存多GPU、零拷贝内存基础前言几条基础知识(

这篇文章介绍了一种可针对空间不变性的卷积方法，不同于常规的卷积网络种卷积核和待提取feature map是相同的(假设dilation=1)，可变形卷积(Deformable Convolution Networks)的待提取feature map可能是任意变形之后的一个个采样点。DCN的提出使得网络不再对经过变换之后的输入敏感，即增加了空间不变性。Note：本文只介绍论文中的可变形卷积部分，而没

这篇文章发表在2019的CVPR上，是Deformable Convolution Network的进阶版本——DCN-v2，通过对DCN的两处改进来增加卷积神经网络的适应性与灵活性。具体来说，通过堆叠多个DCN来增强感知的范围；通过引入调制机制来为DCN增加更多选择采样区域的自由度，这种调制通过门机制来实现对采样区域的注意力。Deformable ConvNets v2: More Deform

这篇文章发表在2019的CVPR上，是Deformable Convolution Network的进阶版本——DCN-v2，通过对DCN的两处改进来增加卷积神经网络的适应性与灵活性。具体来说，通过堆叠多个DCN来增强感知的范围；通过引入调制机制来为DCN增加更多选择采样区域的自由度，这种调制通过门机制来实现对采样区域的注意力。Deformable ConvNets v2: More Deform

这篇文章介绍了一种轻量级全CNN网络的Super-Revolution(超分)算法。参考文档：①DCSCN论文阅读笔记自适应parametric ReLUParametric ReLUPSNR&SSIMFast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Networ

广泛认为2016年由JX Wang发表的Learning to Reinforcement Learn是Meta-RL最早提出的版本。本论文将Meta-Learning的思想用到了强化学习上，目标是使DRL方法可以快速迁移到新的tasks中。RNN可以处理监督学习的Meta-learning问题，作者将方法用到强化学习的Meta-learning中。作者在原有任务的强化学习(指的是在固定MDP的R

这篇文章可以作为入门Word2vec的一篇论文，文章发表于2013年，其提供了NLP发展至今过程中比较著名的词向量模型之一，即skip-gram和CBOW模型。参考：①B站视频②论文Efficient Estimation of Word Representations in Vector Space1 Previous Model Architectures1.1 Feedforward Neu

这篇文章的总体网络架构和DCSCN这篇很类似：通过构建一个具有skip connection结构的end-to-end的CNN网络。文章推出的新模型被称之为SRDenseNet，其利用Dense块作为基本结构，使用skip connection来结合低层特征信息和高层特征信息，然后通过反卷积网络进行图像重建，从而实现LR→HRLR\to HRLR→HR的转变，并且也说明不同深度层的特征之间包含的信