go和gin开发环境安装安装go下载安装包：Go下载 - Go语言中文网 - Golang中文社区 (studygolang.com)根据自己电脑系统下载 注意：下载 Windows 版本的Go语言开发包时尽量选择 MSI 格式，因为它可以直接安装到系统，不需要额外的操作。一路默认下一步就好。注：尽量不要占用C盘安装，例如我的安装路径 D:\GOGo 开发包的安装目录的功能及说明目录名说明api每个版本的 api 变更差异bingo 源码包编译出的编译器（go）、文档工具（godoc）、格式化工具（gofmt）doc英文版的 Go 文档lib引用的一些库文件misc杂项用途的文件，例如 Android 平台的编译、git 的提交钩子等pkgWindows 平台编译好的中间文件src标准库的源码test测试用例配置运行环境需要删除自动添加的gopath和goroot！配置GOROOT在系统变量中新建一个变量变量名：GOROOT 变量值：D:\GO安装路径配置GOPATH-开发工程目录在系统变量中新建一个变量变量名：GOPATH 变量值：E:\go_workspace路径配置path环境点
论文题目（英）SCAM! Transferring humans between images with Semantic Cross Attention Modulation论文题目（中）SCAM! 基于语义交叉注意调制的图像间人转移发表时间22-10-10论文方向给定一个源和一个目标主体，主体转移的思想是让源主体无缝地替换目标图像中的目标主体。目标图像应该保持相同的背景，相同的主体和对象之间的相互作用，和相同的空间配置，以考虑可能的遮挡。论文创新点1. 提出了语义交叉注意（SCA），它在一组潜在的（每个都链接到一个语义区域）和一个图像特征图之间执行注意。 SCA 限制了注意力，例如潜在的只关注图像特征图上与相关语义标签相对应的区域。2. 引入了 SAT 操作和编码器（Semantic Attention Transformer），它依赖于交叉注意力来决定在图像中收集哪些信息以及哪些潜在信息，从而允许对更丰富的信息进行编码。 3. 提出SCAM-Generator（以 SCAM 命名），它使用 SCAM-Operation 调制特征图，允许每个像素关注语义上有意义的潜在。论文方法
SCAM! Transferring humans between images with Semantic Cross Attention ModulationIntroduction作者首先用编码器E对目标对象进行编码，得到目标潜码。然后，我们对姿态和背景引用的背景和语义掩码进行编码。最后，生成器G合成一个图像，在这个图像中，被摄对象被转换成所需的背景和姿态。 给定一个源和一个目标主体，主体转移的思想是让源主体无缝地替换目标图像中的目标主体。目标图像应该保持相同的背景，相同的主体和对象之间的相互作用，和相同的空间配置，以考虑可能的遮挡。图1说明了这一点。注意，与脸、建筑或景观相比，人体具有高度形态多样性的延展性，因此很难建模。 现如今大多数方法要么专注于姿态迁移，姿态会发生变化，要么专注于风格迁移，姿态保持固定，但主体的风格会发生变化。它们是有限的，因为它们:限制多：它们只在统一的背景下工作，在复杂的背景下就会失败。花费多：他们训练比较困难或者每个人训练一个模型。主体转移改变了主体的姿势和风格/身份。因此，一个成功的系统在姿势和风格转移上都是解耦的，
pytorch2.0安装与体验介绍pytorch2.0 相对1.x进行了大版本更新，向下兼容！！！！通过官网阅读可知他最大的更新是torch.compile()，通过编译的方式，用一行代码实现模型的稳定加速。compiled_model = torch.compile(model)这个语句返回一个原来模型的引用，但是将forward函数编译成了一个更优化的版本。官方同时提供一些参数可以使用：def torch.compile(model: Callable, *, mode: Optional[str] = "default", dynamic: bool = False, fullgraph:bool = False, backend: Union[str, Callable] = "inductor", # advanced backend options go here as kwargs **kwargs ) -> torch._dynamo.NNOptimizedModule可以用来做一些更加细节的指定。mode specifie
深度卷积生成对抗网络DCGAN的框架DCGAN设计规则为了使GAN能够很好地适应卷积神经网络架构，DCGAN提出了四点架构设计规则，分别是：使用卷积层替代池化层去除全连接层使用批归一化（batch normalization）使用恰当的激活函数详细解释：第一点：把传统卷积网络中的池化层全部去除，使用卷积层代替。对于判别器，我们使用步长卷积（strided convolution）来代替池化层；对于生成器，我们使用分数步长卷积（fractional-strided convolutions）来代替池化层。上图（步长卷积）表示了卷积层如何在判别器中进行空间下采样（spatial downsampling），输入数据为5×5的矩阵，使用了3×3的过滤器，步长为2×2，最终输出为3×3的矩阵。上图（分数步长卷积）表示的是卷积层在生成器中进行上采样（spatial upsampling），输入为3×3的矩阵，同样使用了3×3过滤器，反向步长为2×2，故在每个输入矩阵的点之间填充一个0，最终输出为5×5。使用上述卷积层替代池化层的目的是让网络自身去学习空间上采样与下采样，使得判别器和生成器都能够有
1. 理解生成对抗网络1.1 什么是生成对抗网络1.1.1 大白话版知乎上有一个很不错的解释，大家应该都能理解：假设一个城市治安混乱，很快，这个城市里就会出现无数的小偷。在这些小偷中，有的可能是盗窃高手，有的可能毫无技术可言。假如这个城市开始整饬其治安，突然开展一场打击犯罪的「运动」，警察们开始恢复城市中的巡逻，很快，一批「学艺不精」的小偷就被捉住了。之所以捉住的是那些没有技术含量的小偷，是因为警察们的技术也不行了，在捉住一批低端小偷后，城市的治安水平变得怎样倒还不好说，但很明显，城市里小偷们的平均水平已经大大提高了。警察们开始继续训练自己的破案技术，开始抓住那些越来越狡猾的小偷。随着这些职业惯犯们的落网，警察们也练就了特别的本事，他们能很快能从一群人中发现可疑人员，于是上前盘查，并最终逮捕嫌犯；小偷们的日子也不好过了，因为警察们的水平大大提高，如果还想以前那样表现得鬼鬼祟祟，那么很快就会被警察捉住。为了避免被捕，小偷们努力表现得不那么「可疑」，而魔高一尺、道高一丈，警察也在不断提高自己的水平，争取将小偷和无辜的普通群众区分开。随着警察和小偷之间的这种「交流」与「切磋」，小偷们都变得非
一只胖橘