Pytorch对于数据集的操作使用 DataSet 和 DataLoader。__len__在加载数据时，一般使用Mini-Batch，原因有以下两个：（1）通过使用batch，可以在梯度下降中更新参数时通过随机梯度下降的方法，这可以帮助我们跨越部分鞍点。（鞍点会导致梯度为0）（2）通过将数据划分为batch，可以充分利用计算机并行计算的能力，加快计算的速度。

最后一个部分卷积层的输入将包含带孔的原始输入图像和原始掩模的拼接，使得模型可以复制非孔像素。X是当前卷积（滑动）窗口的特征值（像素值），M是对应的二进制掩码，⊙ 表示逐元素乘法。在每次部分卷积操作之后，将进行更新掩码：如果卷积能够根据至少一个有效的输入值调节其输出，则将该位置标记为有效。在图像边界处使用具有适当掩蔽的部分卷积来代替典型的填充，这确保图像边界处的修复内容不会受到图像外部无效值的影响。

文章提出了一种两阶段对抗性模型EdgeConnect，包括边缘生成器和图像完成网络。边缘生成器使图像的缺失区域（规则和不规则）的边缘产生幻觉，并且图像补全网络使用幻觉边缘作为先验填充缺失区域。并在公共可用的数据集CelebA、Places2和巴黎街景上对模型进行了端到端的评估。端到端：端到端指的是输入是原始数据，输出是最后的结果。以前输入端不是直接的原始数据，而是在原始数据中提取的特征。将图像修复

本文通过Pytorch搭建基本的GAN模型结构，并通过 torchvision 的 MNIST 数据集进行测试。GAN的理论知识及公式的理解下文的实现完全对照这一篇博客的基本理论。

本篇论文综述发表于2021年。文章总结了基于深度学习的不同类型神经网络结构的修复方法，然后分析和研究了重要的技术改进机制；从模型网络结构和恢复方法等方面对各种算法进行了综合评述。并选择了一些有代表性的图像修复方法进行比较和分析。最后，总结了当前图像修复存在的问题，并展望了未来的发展趋势和研究方向。当前的图像修复研究主要包括修复矩形块掩模、不规则掩模、目标移除、去噪、移除水印、移除文本、移除划痕和旧

在上一篇博客使用Pytorch裁剪图片并保存中说明了如何使用Pytorch对单张图片进行裁剪并保存。在实际使用过程中可能会面临对于一整个文件夹里的数据集批量进行裁剪并以指定的文件名保存到某一路径之下，本文基于这种需求对其进行实现。上面给的示例中，文件夹中只有3张图片，但是只要上面代码码跑通，无论文件夹中有多少张图片都是可以处理的。同时，可以更根据上面的示例去用Pytorch提供的其他方法切割图片，

最近需要制作一个数据集，由于数据集的数量不够，而这些数据集中的单张照片很大，因此可以通过裁剪的方式进行数据增强，从而获取到更多的数据，扩充数据集。在这个过程中还要将裁剪得到的图片保存下来。

网上也有说升级pip再重新安装的，还有说进入到\anaconda\envs\pytorch\Lib\site-packages进行安装的，但是没有解决我的问题。之后继续安装opencv，又会报Failedbuildingwheelforopencv-python的错，尝试了多种方法也没有得以解决。最后的最后，我直接指定了opencv的版本（比最新的版本低）进行安装，安装成功了。在anaconda中

对深度学习中的相关概念一直含糊不清，尤其是验证集和测试集，一直感觉差不多，查阅相关资料后，有了较深的理解，在此记录，方便之后在查看或者补充。

一、创建阿里云账号并开通OSS对象存储服务1、阿里云官网：https://www.aliyun.com/2、创建阿里云账号，并打开控制台，搜索OSS3、点击对象存储OSS：4、点击Buckjet列表------>点击创建Bucket，填写Bucket名称，区域选择离自己最近的城市。至此已经创建好Bucket。二、SpringBoot项目中完成文件上传至OSS此处给出OSS的帮助文档：http