深度学习之图像处理方向与pytorch的基础知识汇总

点开链接以后别忘了回来点个赞 o  -_-!

1、GAN中用到的损失函数BCELoss 这篇文章讲的特清楚：   Pytorch详解BCELoss和BCEWithLogitsLoss

2、图像质量评价指标PSNR，MSE，SSIM：

先讲PSNR和MSE:                  PSNR 与MSE        

（由于基于差剖面的简单计算不符合人类视觉系统（Human Visual System，HVS）的评价结果，因此需要对评价方式进行重新考量。如果图片的最终目的是对人类展示的话，那么质量应该以人的主管测评为准。但是由于主管评价不方便且费时，因此我们试图用客观的 image quality assessment 来对图像进行评价，使其接近 HVS 的特点。由于 HVS 具有可以抓取图像的结构特征的特点，因此设计 Structural Similarity 进行评价，即 SSIM 。）--------摘自以下链接  ：       图像质量评估指标 SSIM / PSNR / MSE
 

这篇文章讲SSIM很清楚：        SSIM(结构相似性)-数学公式及python实现

 

3、pixel-wise，patch-wise，image-wise：图像分割中的一些术语，pixel-wise，patch-wise，image-wise

4、epoch、batchsize、iteration：关于 epoch、 iteration和batchsize

5、Retinex及其相关图像增强算法理论  ：Retinex理论

6、全变分（TV）去噪：        浅谈图象的全变分和去噪

7、空洞卷积：卷积，特征图，转置卷积和空洞卷积的计算细节

8、Adam优化方法：

Adam 的参数配置 ：摘自链接  https://www.jianshu.com/p/3e363f5e1a79

alpha：同样也称为学习率或步长因子，它控制了权重的更新比率（如 0.001）。较大的值（如 0.3）在学习率更新前会有更快的初始学习，而较小的值（如 1.0E-5）会令训练收敛到更好的性能。
beta1：一阶矩估计的指数衰减率（如 0.9）。
beta2：二阶矩估计的指数衰减率（如 0.999）。该超参数在稀疏梯度（如在 NLP 或计算机视觉任务中）中应该设置为接近 1 的数。
epsilon：该参数是非常小的数，其为了防止在实现中除以零（如 10E-8）。
另外，学习率衰减同样可以应用到 Adam 中。原论文使用衰减率 alpha = alpha/sqrt(t) 在 logistic 回归每个 epoch(t) 中都得到更新。
Adam 论文建议的参数设定：
测试机器学习问题比较好的默认参数设定为：alpha=0.001、beta1=0.9、beta2=0.999 和 epsilon=10E−8。
我们也可以看到流行的深度学习库都采用了该论文推荐的参数作为默认设定。

 

9、pytorch用matplotlib（pycharm）显示图像问题汇总

https://www.jianshu.com/p/778d78463028

(未完待续)