一、数据选择和归一化首先根据倒谱系数法提取四类音乐语音特征信号，不同的语音信号分别用1，2，3，4标识，提取出的信号存储于数据库文件中，可以在链接：https://pan.baidu.com/s/1X371iNUXwRnCTKOJDkSNnQ 密码：b2k9获得。每组数据为25维，第1维维类别标识，后24维为语音特征信号。然后把四类语音信号何为一组，抽取1500组数据作为训练数据，500组数据..

解析网页就是从服务器请求下来的网页数据中提取出我们需要的数据，常用的有三种方法：正则表达式解析网页、BeautifulSoup和lxml。一、使用正则表达式解析网页正则表达式就是对字符串操作的一种逻辑公式，就是用事先定义好的特定字符和这些特定字符的组合组成一个规则字符串，这个规则字符串用来表达对字符串的一种过滤逻辑。因此，当我们获得网页数据后，就需要先将数据转换为字符串，之后再用正则表达式...

一、SGAN介绍SGAN来源于这篇论文：《Semi-Supervised Learning with Generative Adversarial Networks》传统的机器学习分为监督式学习和无监督式学习。前者的数据是有标签的，后者的数据是无标签的。然而，在很多问题中，有标签的数据是非常少的，要想获得有标签的数据，需要人工标注等一些操作。而无标签的数据则比较容易获得。半监督学习就是要结...

前言这是一篇关于使用GAN对图像降噪的论文，我翻译了论文，也看了代码，以下是github链接：GAN去噪。我看懂了论文，这确实是一篇很好的论文。使用当下最火的GAN对图像进行去噪。也是一个开创性的想法。文中的损失函数与以往的不同。但是其他思想与传统GAN都是类似的。读完论文之后，我下载了相关代码，但是在代码中我遇到了问题。想要训练模型，却没有跑起来。如果你将代码跑起来了。可以在下面留言。我们一..

摘要：用于图像去噪的判别模型学习由于其有利于去噪性能而最近吸引了相当大的关注。在这篇文章中，我们通过研究前馈去噪卷积神经网络（DnCNN）的结构向前迈进了一小步，将非常深的结构、学习算法和正则化方法使用到图像去噪的过程中。特别是，使用残差学习和批量归一化来加速训练过程和提高去噪性能。与通常在特定噪声水平上训练加性高斯白噪声（AWGN）的特定模型的现有判别去噪模型不同，我们的DnCNN模型能够处..

1. torch.eq(input, other, out=None)说明： 比较元素是否相等，第二个参数可以是一个数，或者是第一个参数同类型形状的张量参数：input(Tensor) ---- 待比较张量other(Tenosr or float) ---- 比较张量或者数out(Tensor,可选的) ---- 输出张量返回值： 一个torch.ByteTensor张量，包含了...

一、WGAN的分析从我们WGAN的实现结果来看，WGAN可以很好的生成图像。因此，我们来分析一下W距离和生成图像之间的关系。理论上距离越近，图像生成质量越高。就说明WGAN的效果很好。在WGAN的论文式样中对三种架构进行了实验。第一种是生成器采用普通的感知机。第二组是生成器采用标准的DCGAN。第三组是生成器和判别器都采用MLP。实验结果如下图：从第一和第二组实验中可以看出，随着W的距...

一、DCGAN的介绍GAN是无监督学习的一种方法，其训练样本是不需要标签的。DCGAN是在GAN的基础上，在2015年的《Unsupervised Representation Leanrning with Deep Convolutions Generative Adversarial Network》论文中提出。将GAN的网络结构由MLP换成卷积神经网络。论文中验证了DCGAN的生成器和判..

        特征增强是对数据的进一步修改，我们开始清洗和增强数据。主要涉及的操作有识别数据中的缺失值删除有害数据输入缺失值对数据进行归一化/标准化1. 识别数据中的缺失值        特征增强的第一种方法是识别数据的缺...

1. torch.floor(input, out=None)说明：床函数，返回一个新张量，包含输入input张量每个元素的floor，即不小于元素的最大整数。参数：input(Tensor) -- 输入张量out(Tenosr, 可选) -- 输出张量>>> a = torch.randn(4)>>> torch.floor(a)ten...