Pytorch：基于像素梯度的深度学习（HOG + CNN）
概述
一种新颖的基于像素梯度的CNN。
为CNN的输入制作“像素渐变数组” 。
与基于灰度图像的普通CNN相比，精度更高。
Pytorch实现为自定义的torchvision.transforms 。
像素渐变阵列
图像的梯度方向是图像处理中的基本组成部分之一，并且经典用于“定向直方图（HOG）功能”，这是最成功的描述符之一。 该存储库是将其带入深度学习领域的建议：
制作量化像素渐变的3维数组（=“像素渐变数组”）。
使用像素梯度阵列作为深度学习模型（例如CNN）的输入。
像素渐变阵列的生成总结如下。
评估
通过使用MNIST数据集进行图像分类。 有关更多详细信息，请参见demo_mnist.py。
结果
火炬实施
如何在pytorch模型中实现像素渐变阵列。
步骤1：必要的模块
import numpy as n
2021-03-12 10:14:49
212KB
1
DDPG_TF2
很难在TF2中找到简单整洁的DDPG实现，因此我做了一个。
DDPG
DDPG是一种无模型的非策略算法，可在连续动作空间中学习Q函数和策略。 它受Deep Q Learning的启发，可以看作是连续acion空间上的DQN。 它利用政策外数据和Bellman方程来学习Q函数，然后使用Q函数来推导和学习政策。 在DDPG的此实现中，一开始执行n次纯探索（由rand_steps参数指定）。 通过在整个范围内均匀分布来选择动作。
主要特点：
随机（深度）模型估计可提供连续（无限）的动作空间。
使用噪声过程（例如， Ornstein–Uhlenbeck过程）进行动作空间探索。
使用经验重播可以稳定地学习以前的经验。
演员和评论家结构
在演员和评论家网络中使用目标模型（通过Polyak平均进行权重转移）。
使用Bellman方程描述每对<状态，动作>的最佳q值函数。
2021-03-10 21:36:19
8KB
1
本文考虑了一类观测器规范状态空间系统的参数估计问题。 借助移位运算符的属性，将空间状态模型转换为输入-输出表示形式。 然后，提出了一种时变的遗忘因子随机梯度与卡尔曼滤波算法相结合的方法。 所提出的算法基于交互式估计未知参数，以实现系统的所有参数识别。 数值例子验证了所提算法的有效性。
2021-03-04 09:07:32
961KB
1