论文复现：Progressive Growing of GANs for Improved Quality, Stability, and Variation一、简介本文提出了一种新的训练 GAN 的方法——在训练过程中逐步增加生成器和鉴别器的卷积层：从低分辨率开始，随着训练的进行，添加更高分辨率的卷积层，对更加精细的细节进行建模，生成更高分辨率和质量的图像。这个方法既加快了 GAN 的训练速度，

???? 参考文档：《百度飞浆：零基础入门深度学习》假设输入图片尺寸是 H×WH \times WH×W，卷积核（池化窗口）大小为 kh×kwk_h \times k_wkh​×kw​卷积层： 假设填充为(ph,pw)(p_h, p_w)(ph​,pw​)，步幅为 (sh,sw)(s_h, s_w)(sh​,sw​)，则卷积层输出特征图的大小为：Hout=H+2ph−khsh+1H_{out} =

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuro

???? 参考文档：《百度飞浆：零基础入门深度学习》假设输入图片尺寸是 H×WH \times WH×W，卷积核（池化窗口）大小为 kh×kwk_h \times k_wkh​×kw​卷积层： 假设填充为(ph,pw)(p_h, p_w)(ph​,pw​)，步幅为 (sh,sw)(s_h, s_w)(sh​,sw​)，则卷积层输出特征图的大小为：Hout=H+2ph−khsh+1H_{out} =

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuro

我们已经预处理了一个由 400 个大脑组成的重要亚组，分为训练（300）、验证（50）和测试（50）。我们使用几个软件包（FreeSurfer 7.1 和 SAMSEG）计算了包含 40 个皮质和皮质下解剖标签的分割图。我们将融合这些标签图，并在 MGH 神经科学家的帮助下手动验证所有 400 次扫描。

???? 参考文档：《百度飞浆：零基础入门深度学习》假设输入图片尺寸是 H×WH \times WH×W，卷积核（池化窗口）大小为 kh×kwk_h \times k_wkh​×kw​卷积层： 假设填充为(ph,pw)(p_h, p_w)(ph​,pw​)，步幅为 (sh,sw)(s_h, s_w)(sh​,sw​)，则卷积层输出特征图的大小为：Hout=H+2ph−khsh+1H_{out} =

来自 B 站刘二大人的《PyTorch深度学习实践》P11 的学习笔记GoogLeNet1×1 卷积上一篇我们知道，卷积的个数取决于输入图像的通道数。1×1 卷积能起到特征融合、改变通道数和减少计算量的效果，被称为神经网络中的神经网络例如，我们先通过 1×1 卷积减少了通道的数量，让大的卷积核计算更少的通道数，能大大减少计算量：Inception ModuleInception（盗梦空间） Mod

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuro

1.5b 模型，4GB显存就能跑。7b、8b 模型，8GB显存就能跑。14b 模型，12GB显存能跑。32b 模型，24GB显存能跑。提供 Web UI，需要 Ollama 在后台运行。Ollama提供本地模型运行服务。