超分辨率（super-resolution）、去模糊（deblurring）等视频恢复任务越来越受到计算机视觉界的关注。在NTIRE19挑战赛中发布了一个名为REDS的具有挑战性的基准测试。这个新的基准测试从两个方面挑战了现有的方法:(1)如何在给定大运动的情况下对齐多个帧(2)如何有效地融合不同运动和模糊的不同帧。在这项工作中，我们提出了一种新的视频恢复框架，增强可变形卷积，称为EDVR，以解决

​深度学习一直作为一个“盲盒”被大家诟病，我们可以借助深度学习实现端到端的训练，简单，有效，但是我们并不了解神经网络的中间层到底在做什么，每一层卷积的关注点是什么。我在之前的专题浅谈图像处理与深度学习中提到，我们在深度学习刚开始的时候，我们要实现一个任务，比如：把不清晰的图像变清晰，我们随意的搭建了三层网络，然后开始训练，发现效果比传统的图像处理方法好，而且简单有效，然后我们再随意的搭建四层网络，

目录图像分类Lenet1.简介2.网络结构Alexnet1.简介2.网络结构VGG1.简介2.网络结构3.VGG改进点总结GoogLeNet1.网络简介2.inception的结构3. 1x1卷积核的主要作用4. 几点说明Resnet1.简介2.网络结构DenseNet1.简介2.网络结构EfficientNetEfficientNetV2sufflentV2sufflenet时间轴代码实现训练结

*和**在函数的定义和调用阶段，有着不同的功能，并且，*和**不能离开函数使用！

感受野基本概念1.输出feature map上的一个单元对应输入层 上的区域大小2.感受野的增速是直接和卷积步长累乘相关，想要网络更快速的达到某个感受野尺度，可以让步长大于1的卷积核更靠前，这样可以增加网络推理速度，特增图的分辨率会迅速变小3.当有效感受野的区域能够覆盖全图时，这时的特征表达能力是最好的（有效感受野跟关注中间的内容）4. 1x1的卷积相当于全连接层，可以用前者代替后者，形成全卷积.

超分辨率（super-resolution）、去模糊（deblurring）等视频恢复任务越来越受到计算机视觉界的关注。在NTIRE19挑战赛中发布了一个名为REDS的具有挑战性的基准测试。这个新的基准测试从两个方面挑战了现有的方法:(1)如何在给定大运动的情况下对齐多个帧(2)如何有效地融合不同运动和模糊的不同帧。在这项工作中，我们提出了一种新的视频恢复框架，增强可变形卷积，称为EDVR，以解决

超分辨率（super-resolution）、去模糊（deblurring）等视频恢复任务越来越受到计算机视觉界的关注。在NTIRE19挑战赛中发布了一个名为REDS的具有挑战性的基准测试。这个新的基准测试从两个方面挑战了现有的方法:(1)如何在给定大运动的情况下对齐多个帧(2)如何有效地融合不同运动和模糊的不同帧。在这项工作中，我们提出了一种新的视频恢复框架，增强可变形卷积，称为EDVR，以解决

把原来能运行的程序改成bug，这就破坏了程序的封闭原则，登录的功能我们一般是不做修改的。开放式功能的对外拓展，比如登录系统的功能可以对外拓展很多功能。所以，有没有什么办法，没在不修改原来的代码情况下，添加功能？这就是装饰器！......

目录图像分类Lenet1.简介2.网络结构Alexnet1.简介2.网络结构VGG1.简介2.网络结构3.VGG改进点总结GoogLeNet1.网络简介2.inception的结构3. 1x1卷积核的主要作用4. 几点说明Resnet1.简介2.网络结构DenseNet1.简介2.网络结构EfficientNetEfficientNetV2sufflentV2sufflenet时间轴代码实现训练结

全网最的常用的python模块：os，sys，shutil，jaon，pickle，shelve，configparser，hashlib，suprocess，logging，re