SRCNN：一种用于单图像超分辨率的深度学习方法

1.REDRED-Net(very deep Residual Encoder-Decoder Networks)，即非常深的残差编码器-解码器网络。RED-Net的结构是对称的，每个卷积层都有对应的反卷积层。卷积层在消除损坏的同时捕获图像内容的抽象，反卷积层则对特征图进行上采样和恢复图像细节。每一组镜像对应的反卷积层有着跳跃连接结构，将两部分具有同样尺寸的特征做相加处理。这解决了两个问题：1）当

ESPCN：加入亚像素卷积层的神经网络

FSRCNN——SRCNN的改进版

1. sklearn介绍scikit-learn, 又写作sklearn, 是一个开源的基于python语言的机器学习工具包. 它通过numpy, Scipy和 Matplotlib等python数值计算的库实现的算法应用, 并且涵盖了几乎所有主流机器学习算法.在工程应用中, 用python手写代码来从头实现一个算法的可能性非常低, 这样不仅耗时耗力, 还不一定能够写出构架清晰, 稳定性强的模型.

0 引言随着深度学习领域中各类算法的迅速发展，卷积神经网络（CNN）被广泛应用在了分类任务上，输出的结果是整个图像的类标签。在生物医学领域，医生需要对病人的病灶区域进行病理分析，这时需要一种更先进的网络模型，即能通过少量的图片训练集，就能实现对像素点类别的预测，并且可以对像素点进行着色绘图，形成更复杂、严谨的判断。于是U-Net网络被设计了出来。1 U-Net概念及原理U-Net网络结构最早由Ro

深度学习之神经网络（一）在前面文章中，我们已经系统了解了神经网络的部分概念，以及如何去搭建一个简单的神经网络模型。这篇文章我将主要讲解损失函数、反向传播等神经网络知识。1. 损失函数之前我们已经提到，损失函数就是用来计算我们的结果与真实值之间的误差，从而指导进一步的训练向正确的方向进行。损失函数可以分为两大类：回归、分类。1.1 回归损失1.1.1 MAE（Mean Absolute Error）

2021秋第七周周报内容1. 概述支持向量机(Support Vector Machine, 也称为支持向量网络)是一种二分类模型.它源于统计学习理论, 是一个强学习器.从分类效力来看, SVM无论在处理线性还是非线性分类中, 都是明星般的存在:从实际来看, SVM在各种实际问题中也都具有不错的表现. 它在手写识别数字和人脸识别中应用广泛, 在文本和超文本的分类中举足轻重, 因为SVM可以大量减少

残差超分辨率网络

DRCN 深度递归卷积网络