2025-01-17
深度学习
00

通用场景上色任务太难,pix2pix效果不佳:

https://www.dong-blog.fun/post/1924

通用场景照片的要求太大了:要场景、要渐变色、要理解场景里的事物,比如你总不能给树叶上一个红色,是需要一定语义理解能力的。

线稿是一种需要块状涂色的任务,相对就简单得多。

2025-01-17
DL论文
00

https://arxiv.org/abs/1703.10593

图像到图像的转换是一类视觉和图形问题,其目标是通过使用一组对齐的图像对训练集,学习输入图像与输出图像之间的映射关系。然而,对于许多任务来说,成对的训练数据并不可用。我们提出了一种方法,在没有对齐样本的情况下,学习将源域X的图像转换到目标域Y。我们在几个任务上展示了定性结果,包括风格迁移、对象变形、季节转换、照片增强等。如下图:

2025-01-16
深度学习
00
2025-01-16
DL论文
00

想用 pix2pix 做一个图片上色的项目。

论文:https://arxiv.org/abs/1611.07004

image.png

pix2pix 的创新点:

2025-01-16
Linux运维
00

通过跳板机配置SSH隧道轻松连接远程服务器

在实际工作中,我们经常会遇到这样的场景:某些服务器不可直接访问,需要通过一台中间服务器(跳板机)进行中转。本文将介绍如何配置SSH跳板机,实现在不暴露中间过程的情况下,轻松从一台机器连接到最终目标服务器。

2025-01-14
Python
00
2025-01-13
DL论文
00

A Survey on Large Language Models with some Insights on their Capabilities and Limitations

https://arxiv.org/abs/2501.04040

2024-12-25
Matlab
00

使用 MATLAB 的 ode45 求解常微分方程

简介

ode45 是 MATLAB 中一个常用的数值解常微分方程 (ODE) 的函数。它基于经典的 Runge-Kutta 方法,适用于求解非刚性方程。本文将介绍 ode45 的基本使用方法和一些简单的实例。

非刚性方程是指那些在数值求解时,不需要特别小的时间步长来保证稳定性的常微分方程。这类方程在数值求解过程中一般没有明显的数值振荡和稳定性问题,可以使用常规的数值方法如 ode45 等进行求解。

“45” 代表的是该方法使用了一个四阶的 Runge-Kutta 方法和一个五阶的 Runge-Kutta 方法。

四阶和五阶 Runge-Kutta 方法

  • 四阶 Runge-Kutta 方法 (RK4) :这个方法以其简单性和广泛的精度而著名。它在每个时间步长 h 中,通过评价四次斜率,来估计当前点的增量。
  • 五阶 Runge-Kutta 方法 (RK5) :它是四阶方法的扩展,通过评价额外次数的斜率,进一步提高了精度。

ode45 的基本原理

  1. ode45 组合使用了四阶和五阶 Runge-Kutta 方法,属于所谓的 Runge-Kutta-Fehlberg 方法。其基本工作原理如下:
  2. 每一步计算时,ode45 同时执行四阶和五阶的方法。
  3. 比较两者的结果,估计误差。
  4. 根据误差估计,动态调整步长:如果误差较大,减小步长;如果误差较小,增大步长。
2024-12-24
自动控制
00

image.png image.png

基本模型

电机模型:

Vm=iaRa+Ladiadt+EbV_m=i_aR_a+L_a\frac{di_a}{dt}+E_b

反电动势 (emf) EbE_{b} 与角速度 φ˙\dot{\varphi} 相关。

Eb=Kbφ˙E_{b}=K_{b}\dot{\varphi}

因为:La<<RaL_a<<R_a

所以: ia=VmKbφ˙Rai_a=\frac{V_m-K_b \dot{\varphi}}{R_a}

电机转矩 τ\tau 和反电动势 (emf) 有关:

τ=Ktia=KtVmKbφ˙Ra(公式4)\tau=K_t i_a=K_t \frac{V_m-K_b \dot{\varphi}}{R_a} (公式4)
2024-12-23
提示词工程
00