小编ben*_*che的帖子

目前我正在编写一个增强现实应用程序,我在屏幕上获取对象时遇到了一些问题.对我来说非常令人沮丧的是,我无法将gps-points转换为我的Android设备上相应的屏幕点.我已经在stackoverflow上阅读了很多文章和许多其他帖子(我已经问了类似的问题),但我仍然需要你的帮助.

我做了维基百科中解释的透视投影.

我如何处理透视投影的结果以获得最终的屏幕点？

当不使用 KL 散度项时，VAE 几乎完美地重建了 mnist 图像，但在提供随机噪声时无法正确生成新图像。

当使用 KL 散度项时，VAE 在重建和生成图像时给出相同的奇怪输出。

这是损失函数的pytorch代码：

def loss_function(recon_x, x, mu, logvar):
    BCE = F.binary_cross_entropy(recon_x, x.view(-1, 784), size_average=True)
    KLD = -0.5 * torch.sum(1 + logvar - mu.pow(2) - logvar.exp())    
    return (BCE+KLD)

recon_x 是重建图像，x 是 original_image，mu 是均值向量，而 logvar 是包含方差对数的向量。

这里出了什么问题？提前致谢 ：）

我的图像大小不均匀，所以当卷积将其缩小 2 倍时，然后我这样做Conv2DTranspose，我没有得到一致的大小，这是一个问题。

所以我想我应该用额外的行和列填充中间张量，其值与我在边缘看到的值相同，以尽量减少干扰。我如何在 Keras 中做到这一点，这可能吗？我有什么选择？

有没有办法k在 Tensorflow 的二维张量中找到最高值？

我可以tf.nn.top_k用于一维张量，但它不能用于二维张量。我有一个大小未知的二维张量，有没有办法找到最高k值及其索引？

非常感谢。

我正在学习pytorch并运行玩具回归问题。我似乎每次对模型运行张量时，预测都会改变，这一事实令我感到困惑。显然不是这样，但是我想念的是什么？

Pytorch版本： 0.4.0

我在没有GPU的情况下运行以消除该潜在问题。

码：

from __future__ import division
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import torch
import torch.utils.data as utils_data
from torch.autograd import Variable
from torch import optim, nn
from torch.utils.data import Dataset 
import torch.nn.functional as F
from torch.nn.init import xavier_uniform_, xavier_normal_,uniform_
from sklearn.datasets import load_boston
from sklearn.metrics import mean_squared_error

cuda=False #set to true uses GPU


#load boston data from scikit
boston = load_boston()
x=boston.data
y=boston.target
y=y.reshape(y.shape[0],1)

#change to tensors
x = torch.from_numpy(x) …

我想使用深度学习或机器学习在我的前端做一些计算。

但是没有反应的例子。

我最初的想法是使用 python 和 react。Tensorflow 将在 Python 后端运行，而前端将使用 React 并从 Python 后端获取结果。

然后我看到 Tensorflow 也在 Javascript 中。所以它可以直接在网站上使用，对吗？

那么 React 可以直接使用 Tensorflow 吗？

我想编写一个自定义损失函数，该函数将权衡正目标值的低估。它将像均方误差一样工作，唯一的区别在于，在这种情况下，均方误差将乘以大于1的权重。

我这样写：

def wmse(ground_truth, predictions):
    square_errors = np.square(np.subtract(ground_truth, predictions))
    weights = np.ones_like(square_errors)
    weights[np.logical_and(predictions < ground_truth, np.sign(ground_truth) > 0)] =  100
    weighted_mse = np.mean(np.multiply(square_errors, weights))
    return weighted_mse

然而，当我把它提供给我的顺序模型keras与tensorflow作为后端：

model.compile(loss=wmse,optimizer='rmsprop')

我收到以下错误：

 raise TypeError("Using a `tf.Tensor` as a Python `bool` is not allowed. 
TypeError: Using a `tf.Tensor` as a Python `bool` is not allowed. Use `if t is not None:` instead of `if t:` to test if a tensor is defined, and use TensorFlow ops such as tf.cond to …

我正在尝试加载我自己的数据集，并且我使用了一个自定义Dataloader来读取图像和标签并将它们转换为 PyTorch 张量。然而，当Dataloader被实例化时，它返回字符串 x"image"和 y，"labels"而不是读取时的实际值或张量 ( iter)

print(self.train_loader)  # shows a Tensor object
tic = time.time()
with tqdm(total=self.num_train) as pbar:
    for i, (x, y) in enumerate(self.train_loader):  # x and y are returned as string (where it fails)

        if self.use_gpu:
            x, y = x.cuda(), y.cuda()
        x, y = Variable(x), Variable(y)

这是dataloader.py这样的：

from __future__ import print_function, division #ds
import numpy as np
from utils import plot_images

import os #ds
import pandas …

我[-1,256,256,3]使用如下所示的转置图层作为输出形状。我打印输出形状。我的问题特别是关于高度和宽度这两者的问题256。通道似乎是我代码中最后一个转置层的滤波器数量。

我相当简单地假设公式是这样的。我读了其他主题。

H = (H1 - 1)*stride + HF - 2*padding

但是当我计算时，我似乎没有得到该输出。我想我可能会缺少填充计算，那么添加了多少填充'SAME'？

我的代码是这个。

H = (H1 - 1)*stride + HF - 2*padding

例如，输入一维张量：

l_in = [1,1,2,2,3,4,5,5,1,3,5]

我想删除连续的重复项，这意味着输出应该是：

l_out = [1,2,3,4,5,1,3,5]

然而，该tf.unique函数只返回唯一的元素，这表明最后三个元素也将被消除。的输出tf.unique是：

[1,2,3,4,5], [0,0,1,1,2,3,4,4,0,2,4] = tf.unique(l_in)

其中第二项是相应的 ID。

有没有什么方法可以只删除连续的重复项，同时保留非重复和非唯一的元素？