Tensorflow实现图像风格迁移

前言

什么是艺术？就拿一副油画来说，我认为需要考察两个方面：一是作品所描绘主题目标（自然，有时会进行高维抽象，但是想表达的事物本身是不变的）；二是作者想附着在事物之上的感情色彩，即色彩搭配，风格等等，用信息学的角度来说这幅画传达了两个向量信息，即：事物本身与作者想带给我们的主观感受。

那么，我们是否可以将A图像的风格迁移到B图像上呢？于是，风格迁移算法应运而生：

我妹妹的爱犬coco（宠爱脸 (￣︶￣)↗）

前言

椎体终板构成了椎间盘的上下边界，位于椎体中心的松质骨和椎间盘之间。是由厚约0.5mm的软骨下骨和厚度相同的覆盖其上的软骨组成。主要作用是防止椎间盘髓核组织嵌入椎体，同时具有平衡分散应力的作用。

在这里，我用一个L3-L4椎间盘病例，讲一下如何通过mimics进行椎体复位，并且制作一个理想的椎间盘模型，包括髓核、纤维环、上下终板，欢迎讨论。

前言

带有固定支架的分页式L2导板建立，参考了骨科大神zyqazyq的设计方法，步骤简单清晰，欢迎讨论。

前言

这是个使用频次较高的常见方法，在CT三维重建的过程中我们经常会遇见一些错误的薄壁型通孔，在这里讲一下如何优雅地使用3-matic去除它。

前言

卷积神经网络是近些年逐步兴起的一种人工神经网络结构, 因为利用卷积神经网络在图像和语音识别方面能够给出更优预测结果, 这一种技术也被广泛的传播可应用. 卷积神经网络最常被应用的方面是计算机的图像识别, 不过因为不断地创新, 它也被应用在视频分析, 自然语言处理 等等. 近期火热的 Alpha Go, 让计算机看懂围棋, 同样也是有运用到这门技术.

前言

也是看了《寻梦环游记 Coco》才有的想法，命运可以剥夺我的所有，但请不要带走我的记忆，因为那是在我灵魂生命中最深层的宝藏。借过年回家的机会，扫描了爷爷奶奶老相册中的照片，听着他们的故事记述下这些。希望有一天，我们的记忆都能与世长存。。。

背景音乐应该是一首《Remember Me》。本文流量预警，请用电脑打开，考虑到隐私问题本文设有密码，密码为奶奶的姓名（拼音小写）。

概要

在本次记述中，

• 我们参考了一个非常粗糙的生物神经元模型来解释计算机神经元，但两者其实有本质区别。
• 我们讨论了在实践中使用的几种类型的激活函数，其中ReLU是最常见的选择
• 我们引入了神经网络，其中神经元与完全连接的层连接，相邻层中的神经元具有完全的成对连接，但层内的神经元没有连接。
• 我们看到，这种分层架构能够基于与激活函数交织的矩阵乘法，对神经网络进行高效的评估。
• 我们看到，神经网络是通用函数逼近器，但是我们也证明了这个性质与它们无处不在的用途没什么关系的事实。它们被使用是因为它们对实践中出现的函数的功能形式做出了某些“正确”的假设。
• 我们讨论了这样一个事实：大型网络总是比小型网络工作得更好，但是它们的更高的模型容量必须用更强的正则化（比如更高的权重衰减）来适当地解决，否则它们可能会过度拟合。

前言

Tensorflow官方推出了可视化工具Tensorboard，它可以将模型训练过程中的各种数据汇总起来存在自定义的路径与日志文件中，然后在指定的web端可视化地展现这些信息。

当使用Tensorflow训练大量深层的神经网络时，我们希望去跟踪神经网络的整个训练过程中的信息，比如迭代的过程中每一层参数是如何变化与分布的，比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的，比如损失值的变化情况，等等。这些都可以用Tensorboard可视化出来。

前言

Tensorflow学习笔记，一个简单的例子，建立一个3层的神经网络（输入层1个神经元 隐藏层10个神经元 输出层1个神经元），通过训练去接近并拟合real_data，目标为误差loss的下降，并用pyplot将过程可视化出来。

学习目的：熟悉神经网络建造逻辑，熟悉Tensorflow功能性函数的应用。

最终输出：

前言

前阵子接到妈妈的电话，大意是要我在去英国旅行的时候给她带些英国的茶叶回来。我妈算是半个茶迷，这个要求本无可厚非，但偏偏又没告诉我具体的品牌和品种。在我的印象中，英式茶，是个打包的概念，与“颜值”二字是不可区分的：精巧的骨瓷茶具+花式的茶点+不知道哪的茶叶。前两点才是颜值核心，而第三点我还真没了解过。于是作为儿子，我还是查阅了一番，没想到英国茶还真是挺有意思的一个概念。