小编yc2*_*986的帖子

假设我有一个非常简单的神经网络,如多层感知器.对于每一层,激活功能是S形的,并且网络是完全连接的.

在TensorFlow中,这可能是这样定义的:

    sess = tf.InteractiveSession()

    # Training Tensor
    x = tf.placeholder(tf.float32, shape = [None, n_fft])
    # Label Tensor
    y_ = tf.placeholder(tf.float32, shape = [None, n_fft])

    # Declaring variable buffer for weights W and bias b
    # Layer structure [n_fft, n_fft, n_fft, n_fft]
    # Input -> Layer 1
    struct_w = [n_fft, n_fft]
    struct_b = [n_fft]
    W1 = weight_variable(struct_w, 'W1')
    b1 = bias_variable(struct_b, 'b1')
    h1 = tf.nn.sigmoid(tf.matmul(x, W1) + b1)

    # Layer1 -> Layer 2
    W2 = weight_variable(struct_w, 'W2')
    b2 = bias_variable(struct_b, …

假设我有一个C库API函数,它将指针指针作为参数.但是由于我使用C++编程,我想利用std向量来处理动态内存.如何有效地将矢量矢量转换为指针指针？现在我正在使用它.

#include <vector>

/* C like api */
void foo(short **psPtr, const int x, const int y);    

int main()
{
    const int x = 2, y = 3;
    std::vector<std::vector<short>> vvsVec(x, std::vector<short>(y, 0));
    short **psPtr = new short*[x];

    /* point psPtr to the vector */
    int c = 0;
    for (auto &vsVec : vvsVec)
        psPtr[c++] = &vsVec[0];

    /* api call */
    foo(psPtr, x, y);        

    delete[] psPtr;
    return 0;
}

这是实现目标的最佳方式吗？在这种情况下,我可以通过使用迭代器或某些std方法来摆脱"新删除"的事情吗？提前致谢.

编辑: 根据答案我现在使用此版本与C代码接口.我在这里发帖.

#include <vector>

/* C like api */
void foo(short …

我正在尝试实施维纳滤波器以对模糊图像执行反卷积.我的实现是这样的

import numpy as np
from numpy.fft import fft2, ifft2

def wiener_filter(img, kernel, K = 10):
    dummy = np.copy(img)
    kernel = np.pad(kernel, [(0, dummy.shape[0] - kernel.shape[0]), (0, dummy.shape[1] - kernel.shape[1])], 'constant')
    # Fourier Transform
    dummy = fft2(dummy)
    kernel = fft2(kernel)
    kernel = np.conj(kernel) / (np.abs(kernel) ** 2 + K)
    dummy = dummy * kernel
    dummy = np.abs(ifft2(dummy))
    return np.uint8(dummy)

此实现基于Wiki页面.

使用的TIFF图像来自:http://www.ece.rice.edu/~wakin/images/lena512color.tiff
但这里有一个PNG版本:

我有一个由对角内核模糊的输入图像运动,并添加了一些高斯加性噪声.lena图片为512x512,模糊内核为11x11.

当我将wiener_filter应用于此图像时,结果就像这样. .

我认为这种模糊的图像质量不高.所以我想问一下我的实现是否正确.

非常感谢你!

更新我添加噪音的方式.

from scipy.signal import gaussian, convolve2d

def blur(img, …

我正在尝试使用python实现JPEG压缩.当我尝试对tiff图像应用DCT,量化,IDCT过程时,我发现scipy.fftpack.dct/idct有些奇怪.

由于scipy包中只有1D dct/idct,所以我正在为2D dct做这个

import numpy as np
from scipy.fftpack import dct, idct

def dct2(block):
    return dct(dct(block.T).T)

def idct2(block):
    return idct(idct(block.T).T)

我使用简单的3x3矩阵测试了2D dct/idct.我希望在这个测试用例中得到一个True矩阵.

a = np.random.randint(0,255,9).reshape(3,3)
print a == idct2(dct2(a))

然而事实证明,在idct2(dct2(a))之后,结果通过与原始矩阵相比的常数因子来缩放.

我想问一下是否有办法实现一组2D dct/idct,这样在idct(dct(a))操作之后我可以获得与输入相同的输出.

在Linux Ubuntu中，我可以使用动态库编译C++源代码，并通过在编译前设置环境变量$LD_RUN_PATH来告诉gcc编译器在哪里找到.so lib文件。我想知道 OSX 中的 clang 编译器是否有等效的方法来执行此类运行时动态库路径搜索？

非常感谢！

编辑：

下面给出的重复链接不是我想要的！

我想将 dylib 的搜索路径编译到可执行文件中。在运行时，不应为$DYLD_LIBRARY_PATH环境路径显式设置任何路径信息。也就是说，当您 echo $DYLD_LIBRARY_PATH时，不应看到指向 dylib 的路径。

我通过使用实现了这一点

otool -L <executable>

读取我的可执行文件中的搜索路径。

对于任何错误或缺少搜索路径的情况，我使用 install_name_too 来更新或添加搜索路径信息。

对我来说，我正在改变我原来的链接路径。我用

install_name_tool -change <old_path> <new_path> <executable>

用于链接路径设置。之后，我可以正确运行链接到 dylib 的可执行文件，而无需在$LD_LIBRARY_PATH或$LD_FALLBACK_LIBRARY_PATH中设置任何内容。

我有一个基于TensorFlow的神经网络和一组变量.

培训功能如下:

def train(load = True, step)
    """
    Defining the neural network is skipped here
    """

    train_step = tf.train.AdamOptimizer(1e-4).minimize(mse)
    # Saver
    saver = tf.train.Saver()

    if not load:
        # Initalizing variables
        sess.run(tf.initialize_all_variables())
    else:
        saver.restore(sess, 'Variables/map.ckpt')
        print 'Model Restored!'

    # Perform stochastic gradient descent
    for i in xrange(step):
        train_step.run(feed_dict = {x: train, y_: label})

    # Save model
    save_path = saver.save(sess, 'Variables/map.ckpt')
    print 'Model saved in file: ', save_path
    print 'Training Done!'

我正在调用这样的训练函数:

# First train
train(False, 1)
# Following train
for i …

我有一个MatrixXf变量和一个VectorXf变量.我想使用我的矩阵上的Vector执行行划分.可以这样做吗？

#include <iostream>
#include "Eigen/Dense"
using namespace std;
using namespace Eigen;

int main() {
    MatrixXf mat(3, 2);
    mat << 1, 2,
           3, 4,
           5, 6;
    VectorXf vec(2);
    vec << 2, 3;
    mat = mat.rowwise() / vec;
    cout << mat << endl;
    return 0;
}

我期望得到一个有价值的矩阵[0.5,0.667; 1.5,1.333; 2.5,2].

非常感谢你!

我正在 Windows 上使用 Visual Studio 编译器（特别是 Visual Studio 2015 Update 3）进行 C++ 开发。

对于一些 DSP 相关工作，我使用unsigned int / unsigned long数据类型。我想知道这两种内置 C/C++ 类型有什么区别。

我通过 Google 和 SO 进行了一些搜索，找到了这些参考资料。

1. cppreference.com 上的类型文档
2. MSDN 上的 Visual Studio 2015类型文档
3. GNU C/C++ 的类型文档（由于G++ 编译器声明 C/C++ 使用相同的默认类型实现，我在这里参考 C 文档）

我假设 cppreference 文档是 ISO C++11 标准的摘要。因此，从“标准”来看，unsigned和unsigned int是 16/32 位，具体取决于 LP/ILP 32/64 数据模型，而unsigned long和unsigned long int是 32/64 位，具体取决于 LP/ILP 32/64 数据模型。

对于 MSDN 和 …

在c ++ 17中,我们有std :: any,它在内存中存储变量类型的对象.好的部分是我可以创建一个std :: any的向量来模拟任意类型对象的容器.

每当从容器一个查询返回的对象将使用 的std :: any_cast打电话时使用完全相同的类型的std :: make_any创建任何对象.以下是我如何实现这一目标的片段

#include <any>
#include <iostream>
#include <unordered_map>
#include <vector>
#include <set>

int main()
{
    /* create some objects */
    std::set<int> mySet = { 1, 2, 3 };
    std::vector<int> myVec = { 3, 4, 5 };
    std::unordered_map<int, std::vector<int>> myHash = { std::make_pair(1, myVec) };
    /* create any store */
    std::vector<std::any> anyStore;
    anyStore.push_back(std::make_any<decltype(mySet)>(mySet));
    anyStore.push_back(std::make_any<decltype(myVec)>(myVec));
    anyStore.push_back(std::make_any<decltype(myHash)>(myHash));
    /* get object back */
    auto newSet = …

我正在尝试使用python进行JPEG压缩.我加载一个tiff图像并将其存储为numpy uint8 RGB数组.我这样做是为了颜色映射.

def rgb2ycbcr(im):
    cbcr = np.empty_like(im)
    r = im[:,:,0]
    g = im[:,:,1]
    b = im[:,:,2]
    # Y
    cbcr[:,:,0] = .299 * r + .587 * g + .114 * b
    # Cb
    cbcr[:,:,1] = 128 - .169 * r - .331 * g + .5 * b
    # Cr
    cbcr[:,:,2] = 128 + .5 * r - .419 * g - .081 * b
    return np.uint8(cbcr)

def ycbcr2rgb(im):
    rgb = np.empty_like(im)
    y   = im[:,:,0]
    cb  = im[:,:,1] - …