繁华落尽，寻一世真情

paddle框架复现NAFNet网络结构

paddle复现NAFNet网络结构

import paddle.nn as nn
import paddle.nn.functional as F
#from basicsr.models.archs.local_arch import Local_Base

class LayerNormFunction(paddle.autograd.PyLayer):

    @staticmethod
    def forward(ctx, x, weight, bias, eps):
        ctx.eps = eps
        N, C, H, W = x.shape
        mu = x.mean(1, keepdim=True)
        var = (x - mu).pow(2).mean(1, keepdim=True)
        y = (x - mu) / (var + eps).sqrt()
        ctx.save_for_backward(y, var, weight)
        #y = weight.view(1, C, 1, 1) * y + bias.view(1, C, 1, 1)
        y = paddle.reshape(weight, [1, C, 1, 1]) * y + paddle.reshape(bias, [1, C, 1, 1])
        return y

    @staticmethod
    def backward(ctx, grad_output):
        eps = ctx.eps
        # N, C, H, W = grad_output.size()
        N, C, H, W = grad_output.shape
        y, var, weight = ctx.saved_tensor()
        g = grad_output * paddle.reshape(weight, [1, C, 1, 1])
        mean_g = g.mean(axis=1, keepdim=True)
        
        mean_gy = (g * y).mean(axis=1, keepdim=True)
        gx = 1. / paddle.sqrt(var + eps) * (g - y * mean_gy - mean_g)
        #return gx, (grad_output * y).sum(axis=3).sum(axis=2).sum(axis=0), grad_output.sum(axis=3).sum(axis=2).sum(axis=0), None
        return gx, (grad_output * y).sum(axis=3).sum(axis=2).sum(axis=0), grad_output.sum(axis=3).sum(axis=2).sum(axis=0)




class LayerNorm2d(nn.Layer):

    def __init__(self, channels, eps=1e-6):
        super(LayerNorm2d, self).__init__()
        self.weight = self.create_parameter(shape=[channels])
        self.add_parameter("weight", self.weight)
        self.bias = self.create_parameter(shape=[channels])
        self.add_parameter("bias", self.bias)
        #self.register_parameter('weight', nn.Parameter(torch.ones(channels)))
        #self.register_parameter('bias', nn.Parameter(torch.zeros(channels)))
        self.eps = eps

    def forward(self, x):
        return LayerNormFunction.apply(x, self.weight, self.bias, self.eps)

class SimpleGate(nn.Layer):
    def forward(self, x):
        x1, x2 = x.chunk(2, axis=1)
        return x1 * x2

class NAFBlock(nn.Layer):
    def __init__(self, c, DW_Expand=2, FFN_Expand=2, drop_out_rate=0.):
        super().__init__()
        dw_channel = c * DW_Expand
        self.conv1 = nn.Conv2D(c, dw_channel, 1, padding=0, stride=1, groups=1, bias_attr=True)
        self.conv2 = nn.Conv2D(dw_channel, dw_channel, 3, padding=1, stride=1, groups=dw_channel,
                               bias_attr=True)
        self.conv3 = nn.Conv2D(dw_channel // 2, c, 1, padding=0, stride=1, groups=1, bias_attr=True)
        
        # Simplified Channel Attention
        self.sca = nn.Sequential(
            nn.AdaptiveAvgPool2D(1),
            nn.Conv2D(in_channels=dw_channel // 2, out_channels=dw_channel // 2, kernel_size=1, padding=0, stride=1,
                      groups=1, bias_attr=True),
        )
        
        # SimpleGate
        self.sg = SimpleGate()

        ffn_channel = FFN_Expand * c
        self.conv4 = nn.Conv2D(c, ffn_channel, 1, padding=0, stride=1, groups=1, bias_attr=True)
        self.conv5 = nn.Conv2D(ffn_channel // 2, c, 1, padding=0, stride=1, groups=1, bias_attr=True)
        self.norm1 = LayerNorm2d(c)
        self.norm2 = LayerNorm2d(c)

        self.dropout1 = nn.Dropout(drop_out_rate) if drop_out_rate > 0. else nn.Identity()
        self.dropout2 = nn.Dropout(drop_out_rate) if drop_out_rate > 0. else nn.Identity()

        # self.beta = nn.Parameter(torch.zeros((1, c, 1, 1)), requires_grad=True)
        # self.gamma = nn.Parameter(torch.zeros((1, c, 1, 1)), requires_grad=True)
        self.beta  = self.create_parameter(shape=[1, c, 1, 1])
        self.add_parameter("beta", self.beta)
        self.gamma = self.create_parameter(shape=[1, c, 1, 1])
        self.add_parameter("gamma", self.gamma)

    def forward(self, inp):
        x = inp

        x = self.norm1(x)

        x = self.conv1(x)
        x = self.conv2(x)
        x = self.sg(x)
        x = x * self.sca(x)
        x = self.conv3(x)

        x = self.dropout1(x)

        y = inp + x * self.beta

        x = self.conv4(self.norm2(y))
        x = self.sg(x)
        x = self.conv5(x)

        x = self.dropout2(x)

        return y + x * self.gamma


class NAFNet(nn.Layer):

    def __init__(self, img_channel=3, width=16, middle_blk_num=1, enc_blk_nums=[], dec_blk_nums=[]):
        super().__init__()
        
        
        self.intro = nn.Conv2D(img_channel,width,3,padding=1,stride=1,groups=1,bias_attr=True)
        self.ending = nn.Conv2D(width,img_channel,3, padding=1, stride=1, groups=1,bias_attr=True)
        self.encoders = nn.LayerList()
        self.decoders = nn.LayerList()
        self.middle_blks = nn.LayerList()
        self.ups = nn.LayerList()
        self.downs = nn.LayerList()

        chan = width
        for num in enc_blk_nums:
            self.encoders.append(
                nn.Sequential(
                    *[NAFBlock(chan) for _ in range(num)]
                )
            )
            self.downs.append(
                nn.Conv2D(chan, 2*chan, 2, 2)
            )
            chan = chan * 2

        self.middle_blks = \
            nn.Sequential(
                *[NAFBlock(chan) for _ in range(middle_blk_num)]
            )

        for num in dec_blk_nums:
            self.ups.append(
                nn.Sequential(
                    nn.Conv2D(chan, chan * 2, 1, bias_attr=False),
                    nn.PixelShuffle(2)
                )
            )
            chan = chan // 2
            self.decoders.append(
                nn.Sequential(
                    *[NAFBlock(chan) for _ in range(num)]
                )
            )

        self.padder_size = 2 ** len(self.encoders)

    def forward(self, inp):
        B, C, H, W = inp.shape
        inp = self.check_image_size(inp)

        x = self.intro(inp)

        encs = []

        for encoder, down in zip(self.encoders, self.downs):
            x = encoder(x)
            encs.append(x)
            x = down(x)

        x = self.middle_blks(x)

        for decoder, up, enc_skip in zip(self.decoders, self.ups, encs[::-1]):
            x = up(x)
            x = x + enc_skip
            x = decoder(x)

        x = self.ending(x)
        x = x + inp

        return x[:, :, :H, :W]

    def check_image_size(self, x):
        _, _, h, w = x.shape
        mod_pad_h = (self.padder_size - h % self.padder_size) % self.padder_size
        mod_pad_w = (self.padder_size - w % self.padder_size) % self.padder_size
        x = F.pad(x, (0, mod_pad_w, 0, mod_pad_h))
        return x

# class NAFNetLocal(Local_Base, NAFNet):
#     def __init__(self, *args, train_size=(1, 3, 256, 256), fast_imp=False, **kwargs):
#         Local_Base.__init__(self)
#         NAFNet.__init__(self, *args, **kwargs)

#         N, C, H, W = train_size
#         base_size = (int(H * 1.5), int(W * 1.5))

#         self.eval()
#         with torch.no_grad():
#             self.convert(base_size=base_size, train_size=train_size, fast_imp=fast_imp)
if __name__ == "__main__":
    img_channel = 3
    width = 32
    enc_blks = [2, 2, 2, 20]
    middle_blk_num = 2
    dec_blks = [2, 2, 2, 2]
    model = NAFNet(img_channel=img_channel, width=width, middle_blk_num=middle_blk_num, 
                        enc_blk_nums=enc_blks, dec_blk_nums=dec_blks)
    paddle.summary(model, (1, 3, 384, 384))

网络结构参数为：

--------------------------------------------------------------------------------
    Layer (type)         Input Shape          Output Shape         Param #    
================================================================================
      Conv2D-1        [[1, 3, 384, 384]]   [1, 32, 384, 384]         896      
   LayerNorm2d-1     [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
      Conv2D-3       [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
      Conv2D-4       [[1, 64, 384, 384]]   [1, 64, 384, 384]         640      
    SimpleGate-1     [[1, 64, 384, 384]]   [1, 32, 384, 384]          0       
AdaptiveAvgPool2D-1  [[1, 32, 384, 384]]     [1, 32, 1, 1]            0       
      Conv2D-6         [[1, 32, 1, 1]]       [1, 32, 1, 1]          1,056     
      Conv2D-5       [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
     Identity-1      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
   LayerNorm2d-2     [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
      Conv2D-7       [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
      Conv2D-8       [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
     Identity-2      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
     NAFBlock-1      [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
   LayerNorm2d-3     [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
      Conv2D-9       [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
     Conv2D-10       [[1, 64, 384, 384]]   [1, 64, 384, 384]         640      
    SimpleGate-2     [[1, 64, 384, 384]]   [1, 32, 384, 384]          0       
AdaptiveAvgPool2D-2  [[1, 32, 384, 384]]     [1, 32, 1, 1]            0       
     Conv2D-12         [[1, 32, 1, 1]]       [1, 32, 1, 1]          1,056     
     Conv2D-11       [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
     Identity-3      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
   LayerNorm2d-4     [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
     Conv2D-13       [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
     Conv2D-14       [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
     Identity-4      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
     NAFBlock-2      [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
     Conv2D-15       [[1, 32, 384, 384]]   [1, 64, 192, 192]        8,256     
   LayerNorm2d-5     [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-16       [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-17       [[1, 128, 192, 192]]  [1, 128, 192, 192]       1,280     
    SimpleGate-3     [[1, 128, 192, 192]]  [1, 64, 192, 192]          0       
AdaptiveAvgPool2D-3  [[1, 64, 192, 192]]     [1, 64, 1, 1]            0       
     Conv2D-19         [[1, 64, 1, 1]]       [1, 64, 1, 1]          4,160     
     Conv2D-18       [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
     Identity-5      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
   LayerNorm2d-6     [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-20       [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-21       [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
     Identity-6      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
     NAFBlock-3      [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
   LayerNorm2d-7     [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-22       [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-23       [[1, 128, 192, 192]]  [1, 128, 192, 192]       1,280     
    SimpleGate-4     [[1, 128, 192, 192]]  [1, 64, 192, 192]          0       
AdaptiveAvgPool2D-4  [[1, 64, 192, 192]]     [1, 64, 1, 1]            0       
     Conv2D-25         [[1, 64, 1, 1]]       [1, 64, 1, 1]          4,160     
     Conv2D-24       [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
     Identity-7      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
   LayerNorm2d-8     [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-26       [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-27       [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
     Identity-8      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
     NAFBlock-4      [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-28       [[1, 64, 192, 192]]    [1, 128, 96, 96]       32,896     
   LayerNorm2d-9      [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-29        [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-30        [[1, 256, 96, 96]]    [1, 256, 96, 96]        2,560     
    SimpleGate-5      [[1, 256, 96, 96]]    [1, 128, 96, 96]          0       
AdaptiveAvgPool2D-5   [[1, 128, 96, 96]]     [1, 128, 1, 1]           0       
     Conv2D-32         [[1, 128, 1, 1]]      [1, 128, 1, 1]        16,512     
     Conv2D-31        [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
     Identity-9       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
   LayerNorm2d-10     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-33        [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-34        [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-10       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
     NAFBlock-5       [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
   LayerNorm2d-11     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-35        [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-36        [[1, 256, 96, 96]]    [1, 256, 96, 96]        2,560     
    SimpleGate-6      [[1, 256, 96, 96]]    [1, 128, 96, 96]          0       
AdaptiveAvgPool2D-6   [[1, 128, 96, 96]]     [1, 128, 1, 1]           0       
     Conv2D-38         [[1, 128, 1, 1]]      [1, 128, 1, 1]        16,512     
     Conv2D-37        [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-11       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
   LayerNorm2d-12     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-39        [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-40        [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-12       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
     NAFBlock-6       [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-41        [[1, 128, 96, 96]]    [1, 256, 48, 48]       131,328    
   LayerNorm2d-13     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-42        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-43        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
    SimpleGate-7      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-7   [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-45         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-44        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-13       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-14     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-46        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-47        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-14       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
     NAFBlock-7       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-15     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-48        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-49        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
    SimpleGate-8      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-8   [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-51         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-50        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-15       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-16     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-52        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-53        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-16       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
     NAFBlock-8       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-17     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-54        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-55        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
    SimpleGate-9      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-9   [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-57         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-56        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-17       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-18     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-58        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-59        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-18       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
     NAFBlock-9       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-19     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-60        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-61        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-10      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-10  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-63         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-62        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-19       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-20     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-64        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-65        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-20       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-10       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-21     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-66        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-67        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-11      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-11  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-69         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-68        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-21       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-22     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-70        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-71        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-22       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-11       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-23     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-72        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-73        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-12      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-12  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-75         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-74        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-23       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-24     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-76        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-77        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-24       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-12       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-25     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-78        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-79        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-13      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-13  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-81         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-80        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-25       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-26     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-82        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-83        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-26       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-13       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-27     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-84        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-85        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-14      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-14  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-87         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-86        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-27       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-28     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-88        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-89        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-28       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-14       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-29     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-90        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-91        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-15      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-15  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-93         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-92        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-29       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-30     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-94        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-95        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-30       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-15       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-31     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-96        [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-97        [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-16      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-16  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-99         [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-98        [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-31       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-32     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-100       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-101       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-32       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-16       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-33     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-102       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-103       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-17      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-17  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-105        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-104       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-33       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-34     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-106       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-107       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-34       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-17       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-35     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-108       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-109       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-18      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-18  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-111        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-110       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-35       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-36     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-112       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-113       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-36       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-18       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-37     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-114       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-115       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-19      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-19  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-117        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-116       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-37       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-38     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-118       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-119       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-38       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-19       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-39     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-120       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-121       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-20      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-20  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-123        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-122       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-39       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-40     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-124       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-125       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-40       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-20       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-41     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-126       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-127       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-21      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-21  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-129        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-128       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-41       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-42     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-130       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-131       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-42       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-21       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-43     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-132       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-133       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-22      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-22  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-135        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-134       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-43       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-44     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-136       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-137       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-44       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-22       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-45     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-138       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-139       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-23      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-23  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-141        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-140       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-45       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-46     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-142       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-143       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-46       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-23       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-47     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-144       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-145       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-24      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-24  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-147        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-146       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-47       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-48     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-148       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-149       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-48       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-24       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-49     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-150       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-151       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-25      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-25  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-153        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-152       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-49       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-50     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-154       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-155       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-50       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-25       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-51     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-156       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-157       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-26      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-26  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-159        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-158       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-51       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-52     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-160       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-161       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-52       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-26       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-162       [[1, 256, 48, 48]]    [1, 512, 24, 24]       524,800    
   LayerNorm2d-53     [[1, 512, 24, 24]]    [1, 512, 24, 24]        1,024     
     Conv2D-163       [[1, 512, 24, 24]]   [1, 1024, 24, 24]       525,312    
     Conv2D-164      [[1, 1024, 24, 24]]   [1, 1024, 24, 24]       10,240     
   SimpleGate-27     [[1, 1024, 24, 24]]    [1, 512, 24, 24]          0       
AdaptiveAvgPool2D-27  [[1, 512, 24, 24]]     [1, 512, 1, 1]           0       
     Conv2D-166        [[1, 512, 1, 1]]      [1, 512, 1, 1]        262,656    
     Conv2D-165       [[1, 512, 24, 24]]    [1, 512, 24, 24]       262,656    
    Identity-53       [[1, 512, 24, 24]]    [1, 512, 24, 24]          0       
   LayerNorm2d-54     [[1, 512, 24, 24]]    [1, 512, 24, 24]        1,024     
     Conv2D-167       [[1, 512, 24, 24]]   [1, 1024, 24, 24]       525,312    
     Conv2D-168       [[1, 512, 24, 24]]    [1, 512, 24, 24]       262,656    
    Identity-54       [[1, 512, 24, 24]]    [1, 512, 24, 24]          0       
    NAFBlock-27       [[1, 512, 24, 24]]    [1, 512, 24, 24]        1,024     
   LayerNorm2d-55     [[1, 512, 24, 24]]    [1, 512, 24, 24]        1,024     
     Conv2D-169       [[1, 512, 24, 24]]   [1, 1024, 24, 24]       525,312    
     Conv2D-170      [[1, 1024, 24, 24]]   [1, 1024, 24, 24]       10,240     
   SimpleGate-28     [[1, 1024, 24, 24]]    [1, 512, 24, 24]          0       
AdaptiveAvgPool2D-28  [[1, 512, 24, 24]]     [1, 512, 1, 1]           0       
     Conv2D-172        [[1, 512, 1, 1]]      [1, 512, 1, 1]        262,656    
     Conv2D-171       [[1, 512, 24, 24]]    [1, 512, 24, 24]       262,656    
    Identity-55       [[1, 512, 24, 24]]    [1, 512, 24, 24]          0       
   LayerNorm2d-56     [[1, 512, 24, 24]]    [1, 512, 24, 24]        1,024     
     Conv2D-173       [[1, 512, 24, 24]]   [1, 1024, 24, 24]       525,312    
     Conv2D-174       [[1, 512, 24, 24]]    [1, 512, 24, 24]       262,656    
    Identity-56       [[1, 512, 24, 24]]    [1, 512, 24, 24]          0       
    NAFBlock-28       [[1, 512, 24, 24]]    [1, 512, 24, 24]        1,024     
     Conv2D-175       [[1, 512, 24, 24]]   [1, 1024, 24, 24]       524,288    
   PixelShuffle-1    [[1, 1024, 24, 24]]    [1, 256, 48, 48]          0       
   LayerNorm2d-57     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-176       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-177       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-29      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-29  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-179        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-178       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-57       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-58     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-180       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-181       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-58       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-29       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
   LayerNorm2d-59     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-182       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-183       [[1, 512, 48, 48]]    [1, 512, 48, 48]        5,120     
   SimpleGate-30      [[1, 512, 48, 48]]    [1, 256, 48, 48]          0       
AdaptiveAvgPool2D-30  [[1, 256, 48, 48]]     [1, 256, 1, 1]           0       
     Conv2D-185        [[1, 256, 1, 1]]      [1, 256, 1, 1]        65,792     
     Conv2D-184       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-59       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
   LayerNorm2d-60     [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-186       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,584    
     Conv2D-187       [[1, 256, 48, 48]]    [1, 256, 48, 48]       65,792     
    Identity-60       [[1, 256, 48, 48]]    [1, 256, 48, 48]          0       
    NAFBlock-30       [[1, 256, 48, 48]]    [1, 256, 48, 48]         512      
     Conv2D-188       [[1, 256, 48, 48]]    [1, 512, 48, 48]       131,072    
   PixelShuffle-2     [[1, 512, 48, 48]]    [1, 128, 96, 96]          0       
   LayerNorm2d-61     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-189       [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-190       [[1, 256, 96, 96]]    [1, 256, 96, 96]        2,560     
   SimpleGate-31      [[1, 256, 96, 96]]    [1, 128, 96, 96]          0       
AdaptiveAvgPool2D-31  [[1, 128, 96, 96]]     [1, 128, 1, 1]           0       
     Conv2D-192        [[1, 128, 1, 1]]      [1, 128, 1, 1]        16,512     
     Conv2D-191       [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-61       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
   LayerNorm2d-62     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-193       [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-194       [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-62       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
    NAFBlock-31       [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
   LayerNorm2d-63     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-195       [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-196       [[1, 256, 96, 96]]    [1, 256, 96, 96]        2,560     
   SimpleGate-32      [[1, 256, 96, 96]]    [1, 128, 96, 96]          0       
AdaptiveAvgPool2D-32  [[1, 128, 96, 96]]     [1, 128, 1, 1]           0       
     Conv2D-198        [[1, 128, 1, 1]]      [1, 128, 1, 1]        16,512     
     Conv2D-197       [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-63       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
   LayerNorm2d-64     [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-199       [[1, 128, 96, 96]]    [1, 256, 96, 96]       33,024     
     Conv2D-200       [[1, 128, 96, 96]]    [1, 128, 96, 96]       16,512     
    Identity-64       [[1, 128, 96, 96]]    [1, 128, 96, 96]          0       
    NAFBlock-32       [[1, 128, 96, 96]]    [1, 128, 96, 96]         256      
     Conv2D-201       [[1, 128, 96, 96]]    [1, 256, 96, 96]       32,768     
   PixelShuffle-3     [[1, 256, 96, 96]]   [1, 64, 192, 192]          0       
   LayerNorm2d-65    [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-202      [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-203      [[1, 128, 192, 192]]  [1, 128, 192, 192]       1,280     
   SimpleGate-33     [[1, 128, 192, 192]]  [1, 64, 192, 192]          0       
AdaptiveAvgPool2D-33 [[1, 64, 192, 192]]     [1, 64, 1, 1]            0       
     Conv2D-205        [[1, 64, 1, 1]]       [1, 64, 1, 1]          4,160     
     Conv2D-204      [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
    Identity-65      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
   LayerNorm2d-66    [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-206      [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-207      [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
    Identity-66      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
    NAFBlock-33      [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
   LayerNorm2d-67    [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-208      [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-209      [[1, 128, 192, 192]]  [1, 128, 192, 192]       1,280     
   SimpleGate-34     [[1, 128, 192, 192]]  [1, 64, 192, 192]          0       
AdaptiveAvgPool2D-34 [[1, 64, 192, 192]]     [1, 64, 1, 1]            0       
     Conv2D-211        [[1, 64, 1, 1]]       [1, 64, 1, 1]          4,160     
     Conv2D-210      [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
    Identity-67      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
   LayerNorm2d-68    [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-212      [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,320     
     Conv2D-213      [[1, 64, 192, 192]]   [1, 64, 192, 192]        4,160     
    Identity-68      [[1, 64, 192, 192]]   [1, 64, 192, 192]          0       
    NAFBlock-34      [[1, 64, 192, 192]]   [1, 64, 192, 192]         128      
     Conv2D-214      [[1, 64, 192, 192]]   [1, 128, 192, 192]       8,192     
   PixelShuffle-4    [[1, 128, 192, 192]]  [1, 32, 384, 384]          0       
   LayerNorm2d-69    [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
     Conv2D-215      [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
     Conv2D-216      [[1, 64, 384, 384]]   [1, 64, 384, 384]         640      
   SimpleGate-35     [[1, 64, 384, 384]]   [1, 32, 384, 384]          0       
AdaptiveAvgPool2D-35 [[1, 32, 384, 384]]     [1, 32, 1, 1]            0       
     Conv2D-218        [[1, 32, 1, 1]]       [1, 32, 1, 1]          1,056     
     Conv2D-217      [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
    Identity-69      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
   LayerNorm2d-70    [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
     Conv2D-219      [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
     Conv2D-220      [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
    Identity-70      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
    NAFBlock-35      [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
   LayerNorm2d-71    [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
     Conv2D-221      [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
     Conv2D-222      [[1, 64, 384, 384]]   [1, 64, 384, 384]         640      
   SimpleGate-36     [[1, 64, 384, 384]]   [1, 32, 384, 384]          0       
AdaptiveAvgPool2D-36 [[1, 32, 384, 384]]     [1, 32, 1, 1]            0       
     Conv2D-224        [[1, 32, 1, 1]]       [1, 32, 1, 1]          1,056     
     Conv2D-223      [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
    Identity-71      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
   LayerNorm2d-72    [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
     Conv2D-225      [[1, 32, 384, 384]]   [1, 64, 384, 384]        2,112     
     Conv2D-226      [[1, 32, 384, 384]]   [1, 32, 384, 384]        1,056     
    Identity-72      [[1, 32, 384, 384]]   [1, 32, 384, 384]          0       
    NAFBlock-36      [[1, 32, 384, 384]]   [1, 32, 384, 384]         64       
      Conv2D-2       [[1, 32, 384, 384]]    [1, 3, 384, 384]         867      
================================================================================
Total params: 16,009,251
Trainable params: 16,009,251
Non-trainable params: 0
--------------------------------------------------------------------------------
Input size (MB): 1.69
Forward/backward pass size (MB): 5185.24
Params size (MB): 61.07
Estimated Total Size (MB): 5248.00
--------------------------------------------------------------------------------

纸上得来终觉浅，绝知此事要躬行。

你可能感兴趣的:(图像恢复,u-net变种,paddle,深度学习,cnn)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
将cmd中命令输出保存为txt文本文件落难Coder Windows cmd window
最近深度学习本地的训练中我们常常要在命令行中运行自己的代码，无可厚非，我们有必要保存我们的炼丹结果，但是复制命令行输出到txt是非常麻烦的，其实Windows下的命令行为我们提供了相应的操作。其基本的调用格式就是：运行指令>输出到的文件名称或者具体保存路径测试下，我打开cmd并且ping一下百度：pingwww.baidu.com>./data.txt看下相同目录下data.txt的输出：如果你再
基于社交网络算法优化的二维最大熵图像分割智能算法研学社（Jack旭）智能优化算法应用图像分割算法 php 开发语言
智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
使用LLaVa和Ollama实现多模态RAG示例 llzwxh888 python 人工智能开发语言
本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
烟花美，但瞬间即逝的样子像极了爱情。胡萝卜很甜
我见过烟花在天上绽放时绚烂的模样也目睹过爱情消逝曾经相爱的两人变冷漠的样子其实我特别喜欢烟花绽放的艳丽大年初一凌晨的烟花手机拍的没有眼睛看到的美但是烟花虽美，稍纵即逝，眼睛刚记录下它的美好，就转眼消失不见。天空又恢复一片黑。烟花的样子像极了爱情啊……不论曾经多么山盟海誓，海枯石烂。只要吵架或者分手。就变得那么冷漠，那么陌生。你甚至开始怀疑你有过爱情么？真正的爱情到底是什么样子。来的快去的也快么？对
ExpRe[25] bash外的其它shell：zsh和fish tritone ExpRe bash linux ubuntu shell
文章目录zsh基础配置实用特性插件`autojump`语法高亮自动补全fish优点缺点时效性本篇撰写时间为2021.12.15，由于计算机技术日新月异，博客中所有内容都有时效和版本限制，具体做法不一定总行得通，链接可能改动失效，各种软件的用法可能有修改。但是其中透露的思想往往是值得学习的。本篇前置：ExpRe[10]Ubuntu[2]准备神秘软件、备份恢复软件https://www.cnblogs
起始美丽的涵教主
“叮零零”上课了响了，江雨一路狂奔。“江雨你怎么又迟到，不知道自己成绩不好吗，好不好好学习！”严老师大声地对江雨说道。“小雨，你早上怎么迟到了？”好友曹雪担忧了起来。“没事，早上只是起晚了！”江雨满不在意地回答道，“雪儿，你知道最近小卖部要招营业员，我们去应聘吧！”“你最近是不是缺钱呀！”曹雪的其实没有错，江雪爸爸的公司现在面临着倒闭事件，手上急需用钱。“没有，我爸爸的公司差不多恢复了往日的正常，
2023-08-20 圆梦菌
魔力宝贝最详细新手教程，新手该如何完美开局，建议收藏转发2023-08-2010:34《魔力宝贝》手游体力是什么?魔力宝贝体力恢复机制是每10分钟回复1点；体力作用：挑战关卡需消耗体力体力获取方式1、好友每天可以赠送15次，也就是15点体力2、系统每天中午12点以及下午6点赠送25体3、在商城使用神石购买《魔力宝贝》手游战斗力如何提升?1、宠物强化宠物通过融合进阶后可以大幅度提升战力，最高级的宠物
利用python实现图片格式之间的相互转换难得北窗高卧 python 开发语言
一、概要图片一般有多种格式，常见的图片格式包括：JPEG（.jpg或.jpeg）：一种广泛使用的有损压缩格式，适用于摄影图像和网页上的图片。PNG（.png）：一种无损压缩格式，支持透明度和更好的图像质量，常用于图标、图形和需要透明背景的图片。该图片是4通道的，外加一个透明通道。如截屏GIF（.gif）：一种支持动画和透明度的格式，常用于简单的动画和图标。BMP（.bmp）：一种无损格式，存储图像
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
Python实现下载当前年份的谷歌影像 sand&wich python 开发语言
在GIS项目和地图应用中，获取最新的地理影像数据是非常重要的。本文将介绍如何使用Python代码从Google地图自动下载当前年份的影像数据，并将其保存为高分辨率的TIFF格式文件。这个过程涉及地理坐标转换、多线程下载和图像处理。关键功能该脚本的核心功能包括：坐标转换：支持WGS-84与WebMercator投影之间转换，以及处理中国GCJ-02偏移。自动化下载：多线程下载地图瓦片，提高效率。图像
圣诞节后的人气又回来了？好丽友、特斯拉们的生意却不好做| 每周热点汇总饭Sir看天下
新的一年来了大家好，今天是2022年12月26日，星期一，农历十二月初四。这个月，相信我们很多人都遇到了身体不适的情况，饭Sir上周也因为发烧不得不停更了一周，这几天才刚刚恢复，好在这一切最后都能过去。疫情之外，一些好消息也逐渐到来，例如北京等多座大城市在年底的圣诞节期间又恢复了生机，一些迹象也在预示着久违的热闹春节要回来了。但另一方面，明年不确定的经济形势又带来一些不利的消息，不禁让人有些担心。
Python实现TIFF 文件转换为 PNG 和 JPG 格式 sand&wich python 开发语言
在日常的图像处理工作中，可能会遇到需要将TIFF格式的图像转换为其他格式的情况，例如PNG和JPG。下面，本文将介绍如何使用Python和GDAL库实现这一功能。准备工作在开始之前，请确保已经安装了必要的库：GDAL（GeospatialDataAbstractionLibrary）可以使用以下命令安装GDAL：pipinstallgdal代码实现以下是一个将TIFF文件转换为PNG文件的示例代码
100天持续行动—Day01 Richard_DL
今天开始站着学习，发现效率大幅提升。把fast.ai的Lesson1的后半部分和Lesson2看完了。由于Keras版本和视频中的不一致，运行notebook时经常出现莫名其妙的错误，导致自己只动手实践了视频中的一小部分内容。为了赶时间，我打算先把与CNN相关的视频过一遍。然后尽快开始做自己的项目。明天继续加油，争取把Lesson3和Lesson4看完。
yolov5＞onnx＞ncnn＞apk 图像处理大大大大大牛啊 opencv实战代码讲解 yolo onnx ncnn 安卓
一.yolov5pt模型转onnx条件：colabnotebookyolov51.安装环境!pipinstallonnx>=1.7.0#forONNXexport!pipinstallcoremltools==4.0#forCoreMLexport!pipinstallonnx-simplifier2.修改common.py在classFocus下面
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
AI大模型的架构演进与最新发展季风泯灭的季节 AI大模型应用技术二人工智能架构
随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
Python数据分析与可视化 jun778895 python 数据分析开发语言
Python数据分析与可视化是一个涉及数据处理、分析和以图形化方式展示数据的过程，它对于数据科学家、分析师以及任何需要从数据中提取洞察力的专业人员来说至关重要。以下将详细探讨Python在数据分析与可视化方面的应用，包括常用的库、数据处理流程、可视化技巧以及实际应用案例。一、Python数据分析与可视化的重要性数据可视化是将数据以图形或图像的形式表示出来，以便人们能够更直观地理解数据背后的信息和规
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
[实践应用] 深度学习之优化器 YuanDaima2048 深度学习工具使用 pytorch 深度学习人工智能机器学习 python 优化器
文章总览：YuanDaiMa2048博客文章总览深度学习之优化器1.随机梯度下降（SGD）2.动量优化（Momentum）3.自适应梯度（Adagrad）4.自适应矩估计（Adam）5.RMSprop总结其他介绍在深度学习中，优化器用于更新模型的参数，以最小化损失函数。常见的优化函数有很多种，下面是几种主流的优化器及其特点、原理和PyTorch实现：1.随机梯度下降（SGD）原理:随机梯度下降通过
白龙落凡鬼少箫笛工作室
七星猫、穿山甲和血蝙蝠在魔君的法力护持下，痊愈地很快，十几日的时间，功力就恢复了七八成，穿山甲和血蝙蝠与龚菊珍大战，两人又惊又惧，知晓对方法力在己之上，已经不敢对她有任何不敬之言，几人朝会上却是相安无事，七星猫因不外传的至宝“七星连冰珠”被近身侍女芳菲偷去，心头愤懑，派出人手入阳间追杀，却无意巧遇善恶二使，二使将上龙元剑交给了杀手，并求其带话到魔都，希望能救白发少年一命。杀手知晓其中厉害，连夜返回
TC27x启动过程（2）-TC277 赞哥哥s TC277学习笔记 gnu 单片机
接上文，继续学习TC277的启动过程。分析启动函数有关用的寄存器说明，参考文章TC27x寄存器学习目录TC27x寄存器学习start函数分析isync汇编指令（同步指令）dsync汇编指令（同步数据），1清除endinit2设置中断堆栈3启用对系统全局寄存器的写访问4初始化SDA基指针5关闭对系统全局寄存器的写访问6关闭看门狗，恢复Endinit位7初始化CSA8初始化ram,拷贝rom数据到ra
docker from指令的含义_多个FROM-含义 weixin_39722188 docker from指令的含义
小编典典什么是基本图片？一组文件，加上EXPOSE端口ENTRYPOINT和CMD。您可以添加文件并基于该基础图像构建新图像，Dockerfile并以FROM指令开头：后面提到的图像FROM是新图像的“基础图像”。这是否意味着如果我neo4j/neo4j在FROM指令中声明，则在运行映像时，neo数据库将自动运行并且可在端口7474的容器中使用？仅当您不覆盖CMD和时ENTRYPOINT。但是图像
生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
98_es生产集群部署之针对集群重启时的shard恢复耗时过长问题定制的重要参数小山居
98_es生产集群部署之针对集群重启时的shard恢复耗时过长问题定制的重要参数shardrecovery配置以及集群重启时的无意义shard重分配问题在集群重启的时候，有一些配置会影响shard恢复的过程。首先，我们需要理解默认配置下，shard恢复过程会发生什么事情。如果我们有10个node，每个node都有一个shard，可能是primaryshard或者replicashard，你有一个i
metaRTC/webRTC QOS 方案与实践 metaRTC metaRTC 解决方案 webrtc qos
概述质量服务(QOS/QualityofService)是指利用各种技术方案提高网络通信质量的技术，网络通信质量需要解决下面两个问题：网络问题：UDP/不稳定网络/弱网下的丢包/延时/乱序/抖动数据量问题：发送数据量超带宽负载和平滑发送拥塞控制是各种技术方案的数据基础，丢包恢复解决丢包问题，抗乱序抖动解决网络乱序抖动问题，流量控制解决平滑发送数据/数据超带宽负载/延时问题。拥塞控制(Congest
轻量级模型解读——轻量transformer系列 lishanlu136 #图像分类轻量级模型 transformer 图像分类
先占坑，持续更新。。。文章目录1、DeiT2、ConViT3、Mobile-Former4、MobileViTTransformer是2017谷歌提出的一篇论文，最早应用于NLP领域的机器翻译工作，Transformer解读，但随着2020年DETR和ViT的出现(DETR解读，ViT解读)，其在视觉领域的应用也如雨后春笋般渐渐出现，其特有的全局注意力机制给图像识别领域带来了重要参考。但是tran
吴恩达深度学习笔记(30)-正则化的解释极客Array
正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
scala的option和some 矮蛋蛋编程 scala
原文地址： http://blog.sina.com.cn/s/blog_68af3f090100qkt8.html 对于学习 Scala 的 Java™ 开发人员来说，对象是一个比较自然、简单的入口点。在本系列前几期文章中，我介绍了 Scala 中一些面向对象的编程方法，这些方法实际上与 Java 编程的区别不是很大。我还向您展示了 Scala 如何重新应用传统的面向对象概念，找到其缺点
NullPointerException Cb123456 android BaseAdapter
java.lang.NullPointerException: Attempt to invoke virtual method 'int android.view.View.getImportantForAccessibility()' on a null object reference 出现以上异常.然后就在baidu上
PHP使用文件和目录天子之骄 php文件和目录读取和写入 php验证文件 php锁定文件
PHP使用文件和目录 1.使用include()包含文件 (1)：使用include()从一个被包含文档返回一个值 (2)：在控制结构中使用include() include_once()函数需要一个包含文件的路径，此外，第一次调用它的情况和include()一样，如果在脚本执行中再次对同一个文件调用，那么这个文件不会再次包含。在php.ini文件中设置
SQL SELECT DISTINCT 语句何必如此 sql
SELECT DISTINCT 语句用于返回唯一不同的值。 SQL SELECT DISTINCT 语句在表中，一个列可能会包含多个重复值，有时您也许希望仅仅列出不同（distinct）的值。 DISTINCT 关键词用于返回唯一不同的值。 SQL SELECT DISTINCT 语法 SELECT DISTINCT column_name,column_name F
java冒泡排序 3213213333332132 java 冒泡排序
package com.algorithm; /** * @Description 冒泡 * @author FuJianyong * 2015-1-22上午09:58:39 */ public class MaoPao { public static void main(String[] args) { int[] mao = {17,50,26,18,9,10
struts2.18 +json,struts2-json-plugin-2.1.8.1.jar配置及问题！ 7454103 DAO spring Ajax json qq
struts2.18 出来有段时间了！（貌似是稳定版）闲时研究下下！貌似 sruts2 搭配 json 做 ajax 很吃香！实践了下下！不当之处请绕过！呵呵网上一大堆 struts2+json 不过大多的json 插件都是 jsonplugin.34.jar strut
struts2 数据标签说明 darkranger jsp bean struts servlet Scheme
数据标签主要用于提供各种数据访问相关的功能，包括显示一个Action里的属性，以及生成国际化输出等功能数据标签主要包括： action ：该标签用于在JSP页面中直接调用一个Action，通过指定executeResult参数，还可将该Action的处理结果包含到本页面来。 bean ：该标签用于创建一个javabean实例。如果指定了id属性，则可以将创建的javabean实例放入Sta
链表.简单的链表节点构建 aijuans 编程技巧
/*编程环境WIN-TC*/ #include "stdio.h" #include "conio.h" #define NODE(name, key_word, help) \ Node name[1]={{NULL, NULL, NULL, key_word, help}} typedef struct node { &nbs
tomcat下jndi的三种配置方式 avords tomcat
jndi(Java Naming and Directory Interface，Java命名和目录接口)是一组在Java应用中访问命名和目录服务的API。命名服务将名称和对象联系起来，使得我们可以用名称访问对象。目录服务是一种命名服务，在这种服务里，对象不但有名称，还有属性。 tomcat配置
关于敏捷的一些想法 houxinyou 敏捷
从网上看到这样一句话：“敏捷开发的最重要目标就是：满足用户多变的需求，说白了就是最大程度的让客户满意。” 感觉表达的不太清楚。感觉容易被人误解的地方主要在“用户多变的需求”上。第一种多变，实际上就是没有从根本上了解了用户的需求。用户的需求实际是稳定的，只是比较多，也比较混乱，用户一般只能了解自己的那一小部分，所以没有用户能清楚的表达出整体需求。而由于各种条件的，用户表达自己那一部分时也有
富养还是穷养，决定孩子的一生 bijian1013 教育人生
是什么决定孩子未来物质能否丰盛？为什么说寒门很难出贵子，三代才能出贵族？真的是父母必须有钱，才能大概率保证孩子未来富有吗？-----作者：@李雪爱与自由事实并非由物质决定，而是由心灵决定。一朋友富有而且修养气质很好，兄弟姐妹也都如此。她的童年时代，物质上大家都很贫乏，但妈妈总是保持生活中的美感，时不时给孩子们带回一些美好小玩意，从来不对孩子传递生活艰辛、金钱来之不易、要懂得珍惜
oracle 日期时间格式转化征客丶 oracle
oracle 系统时间有 SYSDATE 与 SYSTIMESTAMP； SYSDATE：不支持毫秒，取的是系统时间； SYSTIMESTAMP：支持毫秒，日期，时间是给时区转换的，秒和毫秒是取的系统的。日期转字符窜：一、不取毫秒： TO_CHAR(SYSDATE, 'YYYY-MM-DD HH24:MI:SS') 简要说明， YYYY 年 MM 月
【Scala六】分析Spark源代码总结的Scala语法四 bit1129 scala
1. apply语法 FileShuffleBlockManager中定义的类ShuffleFileGroup，定义： private class ShuffleFileGroup(val shuffleId: Int, val fileId: Int, val files: Array[File]) { ... def apply(bucketId
Erlang中有意思的bug bookjovi erlang
代码中常有一些很搞笑的bug，如下面的一行代码被调用两次（Erlang beam） commit f667e4a47b07b07ed035073b94d699ff5fe0ba9b Author: Jovi Zhang <[email protected]> Date: Fri Dec 2 16:19:22 2011 +0100 erts:
移位打印10进制数转16进制-2008-08-18 ljy325 java 基础
/** * Description 移位打印10进制的16进制形式 * Creation Date 15-08-2008 9:00 * @author 卢俊宇 * @version 1.0 * */ public class PrintHex { // 备选字符 static final char di
读《研磨设计模式》-代码笔记-组合模式 bylijinnan java 设计模式
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ import java.util.ArrayList; import java.util.List; abstract class Component { public abstract void printStruct(Str
利用cmd命令将.class文件打包成jar chenyu19891124 cmd jar
cmd命令打jar是如下实现：在运行里输入cmd，利用cmd命令进入到本地的工作盘符。(如我的是D盘下的文件有此路径 D:\workspace\prpall\WEB-INF\classes) 现在是想把D:\workspace\prpall\WEB-INF\classes路径下所有的文件打包成prpall.jar。然后继续如下操作： cd D: 回车 cd workspace/prpal
[原创]JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明 comsci eclipse 设计模式算法工作 swing
JWFD v0.96 工作流系统二次开发包 for Eclipse 简要说明 &nb
SecureCRT右键粘贴的设置 daizj secureCRT 右键粘贴
一般都习惯鼠标右键自动粘贴的功能，对于SecureCRT6.7.5 ，这个功能也已经是默认配置了。老版本的SecureCRT其实也有这个功能，只是不是默认设置，很多人不知道罢了。菜单： Options->Global Options ...->Terminal 右边有个Mouse的选项块。 Copy on Select Paste on Right/Middle
Linux 软链接和硬链接 dongwei_6688 linux
1.Linux链接概念Linux链接分两种，一种被称为硬链接（Hard Link），另一种被称为符号链接（Symbolic Link）。默认情况下，ln命令产生硬链接。【硬连接】硬连接指通过索引节点来进行连接。在Linux的文件系统中，保存在磁盘分区中的文件不管是什么类型都给它分配一个编号，称为索引节点号(Inode Index)。在Linux中，多个文件名指向同一索引节点是存在的。一般这种连
DIV底部自适应 dcj3sjt126com JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
Centos6.5使用yum安装mysql——快速上手必备 dcj3sjt126com mysql
第1步、yum安装mysql [root@stonex ~]# yum -y install mysql-server 安装结果： Installed: mysql-server.x86_64 0:5.1.73-3.el6_5 &nb
如何调试JDK源码 frank1234 jdk
相信各位小伙伴们跟我一样，想通过JDK源码来学习Java，比如collections包，java.util.concurrent包。可惜的是sun提供的jdk并不能查看运行中的局部变量，需要重新编译一下rt.jar。下面是编译jdk的具体步骤： 1.把C:\java\jdk1.6.0_26\sr
Maximal Rectangle hcx2013 max
Given a 2D binary matrix filled with 0's and 1's, find the largest rectangle containing all ones and return its area. public class Solution { public int maximalRectangle(char[][] matrix)
Spring MVC测试框架详解——服务端测试 jinnianshilongnian spring mvc test
随着RESTful Web Service的流行，测试对外的Service是否满足期望也变的必要的。从Spring 3.2开始Spring了Spring Web测试框架，如果版本低于3.2，请使用spring-test-mvc项目（合并到spring3.2中了）。 Spring MVC测试框架提供了对服务器端和客户端（基于RestTemplate的客户端）提供了支持。 &nbs
Linux64位操作系统（CentOS6.6）上如何编译hadoop2.4.0 liyong0802 hadoop
一、准备编译软件 1.在官网下载jdk1.7、maven3.2.1、ant1.9.4，解压设置好环境变量就可以用。环境变量设置如下：（1）执行vim /etc/profile （2）在文件尾部加入: export JAVA_HOME=/home/spark/jdk1.7 export MAVEN_HOME=/ho
StatusBar 字体白色 pangyulei status
[[UIApplication sharedApplication] setStatusBarStyle:UIStatusBarStyleLightContent]; /*you'll also need to set UIViewControllerBasedStatusBarAppearance to NO in the plist file if you use this method
如何分析Java虚拟机死锁 sesame java thread oracle 虚拟机 jdbc
英文资料： Thread Dump and Concurrency Locks Thread dumps are very useful for diagnosing synchronization related problems such as deadlocks on object monitors. Ctrl-\ on Solaris/Linux or Ctrl-B
位运算简介及实用技巧（一）：基础篇 tw_wangzhengquan 位运算
http://www.matrix67.com/blog/archives/263 去年年底写的关于位运算的日志是这个Blog里少数大受欢迎的文章之一，很多人都希望我能不断完善那篇文章。后来我看到了不少其它的资料，学习到了更多关于位运算的知识，有了重新整理位运算技巧的想法。从今天起我就开始写这一系列位运算讲解文章，与其说是原来那篇文章的follow-up，不如说是一个r
jsearch的索引文件结构 yangshangchuan 搜索引擎 jsearch 全文检索信息检索 word分词
jsearch是一个高性能的全文检索工具包，基于倒排索引，基于java8，类似于lucene，但更轻量级。 jsearch的索引文件结构定义如下： 1、一个词的索引由=分割的三部分组成：第一部分是词第二部分是这个词在多少