es.davy.ai

Preguntas y respuestas de programación confiables

¿Tienes una pregunta?

Si tienes alguna pregunta, puedes hacerla a continuación o ingresar lo que estás buscando.

Tag: GENERATIVE-ADVERSARIAL-NETWORK

falta 1 argumento posicional requerido, en el resumen del modelo

31 Jul, 2023 Programación

Intenté imprimir el resumen del modelo SinGAN, pero obtuve un error que es: imagen Este es el código: def init_models(opt): # Inicialización del generador: netG = models.GeneratorConcatSkip2CleanAdd(opt).to(opt.device) netG.apply(models.weights_init) if opt.netG != ”: netG.load_state_dict(torch.load(opt.netG)) summary(netG, input_size=(3, 201, 256)) print(netG) # Inicialización del discriminador: netD = models.WDiscriminator(opt).to(opt.device) netD.apply(models.weights_init) if opt.netD != ”: . . . Read more

Qué y cómo simular estos artefactos en el entrenamiento de GAN. En el entrenamiento de GAN (Red Generativa Antagónica, por sus siglas en inglés), es importante simular diferentes tipos de artefactos para mejorar la capacidad del generador de imágenes para producir resultados realistas. Al simular estos artefactos, podemos controlar y ajustar su presencia en la generación de imágenes. Para simular artefactos en el entrenamiento de GAN, existen varias técnicas que se pueden utilizar. Una forma común de simular artefactos es agregar ruido a las imágenes de entrenamiento. Esto puede lograrse agregando ruido gaussiano a las imágenes o mediante la adición de patrones de ruido específicos, como rayas o puntos. Otra técnica útil es la de agregar bordes o distorsiones a las imágenes. Esto puede ayudar a mejorar la capacidad del generador para generar imágenes con detalles más finos y realistas. Al agregar bordes o distorsiones, podemos simular artefactos como borrones, entrelazado o efectos de desenfoque. Además, es importante simular problemas comunes en imágenes, como la falta de contraste, la falta de saturación de color o la presencia de sombras. Al simular estos problemas, el generador puede aprender a compensar y producir imágenes más realistas. Finalmente, es necesario considerar el equilibrio al simular artefactos. Demasiados artefactos pueden afectar negativamente la calidad de las imágenes generadas, ya que pueden producir resultados poco realistas o deseados. Es importante experimentar y ajustar los parámetros para obtener un equilibrio adecuado. En resumen, el entrenamiento de GAN requiere simular adecuadamente diferentes tipos de artefactos en las imágenes. Esto se puede lograr mediante técnicas como la adición de ruido, la manipulación de bordes y distorsiones, o la simulación de problemas comunes en imágenes. El equilibrio adecuado entre la simulación de artefactos es crucial para obtener resultados más realistas y de alta calidad.

22 Jul, 2023 Programación

Actualmente estoy entrenando Parches 3D como se puede ver en la imagen. En este momento me pregunto de dónde vienen estos artefactos en los bordes. Mi intuición dice que podría ser la deconvolución, pero no sé cómo evitarlo. Una rebanada intermedia del Parche 3D

config.GPU = [int(i) para i en config.GPU.split(‘&’) ValueError: literal inválido para int() con base 10: i

12 Jul, 2023 Programación

Si config.GPU == ‘-1’: # Horovod torch.cuda.set_device(hvd.local_rank()) config.GPU = [int(i) for i in range(hvd.size())] config.g_lr *= hvd.size() config.d_lr *= hvd.size() else: if config.GPU == ‘NO_CUDA’: config.GPU = ‘-1’ os.environ[“CUDA_VISIBLE_DEVICES”] = config.GPU config.GPU = [int(i) for i in config.GPU.split(‘,’)] config.batch_size *= len(config.GPU) config.g_lr *= len(config.GPU) config.d_lr *= len(config.GPU) torch.manual_seed(config.seed) if torch.cuda.is_available(): . . . Read more