训练过程中GAN结果图像是相同的

2023-12-28

我正在尝试在 MNIST 数据集上训练 GAN。该代码现在的训练结果好坏参半。问题似乎是生成的图像实际上都是相同的：

您可以在下面找到我的完整代码。我尝试环顾四周，看看是否有解决方案，我发现唯一提到的使用randn代替rand但我没有使用rand现在。

import os
import sys
from typing import Counter
import tensorflow as tf
import numpy as np
from tensorflow.keras import models, layers, callbacks
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.datasets import mnist
from matplotlib import pyplot as plt
import random
from sklearn.utils import shuffle

# Change this to the location of the database directories
DB_DIR = os.path.dirname(os.path.realpath(__file__))

# Import databases
sys.path.insert(1, DB_DIR)
from db_utils import get_imdb_dataset, get_speech_dataset, get_single_digit_dataset

def choose_dataset(dataset_type):
    """Select dataset based on string variable."""
    if dataset_type == "nlp":
        return get_imdb_dataset(dir=DB_DIR)
    elif dataset_type == "computer_vision":
        (X_train, y_train), (X_test, y_test) = mnist.load_data()
    elif dataset_type == "speech_recognition":
        # (X_train, y_train), (X_test, y_test), (_, _) = get_speech_dataset()
        (X_train, y_train), (X_test, y_test), (_, _) = get_single_digit_dataset(0)        

    else:
        raise ValueError("Couldn't find dataset.")

    (X_train, X_test) = normalize_dataset(dataset_type, X_train, X_test)

    (X_train, y_train), (X_test, y_test) = reshape_dataset(X_train, y_train, X_test, y_test)

    return (X_train, y_train), (X_test, y_test)

def normalize_dataset(string, X_train, X_test):
    """Normalize speech recognition and computer vision datasets."""
    if string == "computer vision":
        X_train = X_train / 255
        X_test = X_test / 255
    else:
        mean = np.mean(X_train)
        std = np.std(X_train)
        X_train = (X_train-std)/mean
        X_test = (X_test-std)/mean

    return (X_train, X_test)

def reshape_dataset(X_train, y_train, X_test, y_test):
    """Reshape Computer Vision and Speech datasets."""

    y_train = to_categorical(y_train)
    y_test = to_categorical(y_test)

    return (X_train, y_train), (X_test, y_test)


class GAN:
    """Generative Adversarial Network for digit generation (MNIST)."""
    def __init__(self, input_shape=(28,28,1), rand_vector_shape=(100,), lr=0.0002, beta=0.5):
        
        # Input sizes
        self.img_shape = input_shape
        self.input_size = rand_vector_shape
        
        # optimizer
        self.opt = tf.keras.optimizers.Adam(lr, beta)

        # Create Generator model
        self.generator = self.generator_model()
        self.generator.compile(loss='binary_crossentropy', optimizer = self.opt, metrics = ['accuracy'])
        
        # Create Discriminator model
        self.discriminator = self.discriminator_model()
        self.discriminator.compile(loss='binary_crossentropy', optimizer = self.opt, metrics = ['accuracy'])
        
        # Set the Discriminator as non trainable in the combined GAN model
        self.discriminator.trainable = False
        
        # Define model input and output
        input = tf.keras.Input(self.input_size)
        generated_img = self.generator(input)
        output = self.discriminator(generated_img)
        
        # Define and compile combined GAN model
        self.GAN = tf.keras.Model(input, output, name="GAN")
        self.GAN.compile(loss='binary_crossentropy', optimizer = self.opt, metrics=['accuracy'])

        return None
        
    def discriminator_model(self):
        """Create discriminator model."""
        model = tf.keras.models.Sequential(name='Discriminator')
        model.add(layers.Flatten())
        model.add(layers.Dense(units=512, kernel_initializer='normal', activation='relu'))
        model.add(layers.Dense(units=256, kernel_initializer='normal', activation='relu'))
        model.add(layers.Dense(units=1, kernel_initializer='normal', activation='sigmoid'))

        return model

    def generator_model(self):
        """Create generator model."""
        model = tf.keras.models.Sequential(name='Generator')
        model.add(layers.Dense(units=256, kernel_initializer='normal', activation='relu'))
        model.add(layers.Dense(units=512, kernel_initializer='normal', activation='relu'))
        model.add(layers.Dense(units=1024, kernel_initializer='normal', activation='relu'))
        model.add(layers.Dense(units=np.prod(self.img_shape), kernel_initializer='normal', activation='relu'))
        model.add(layers.Reshape((28,28)))
        
        return model
    
    def plot_imgs(self, epoch):
        r,c = 4,4

        fig, axs = plt.subplots(r, c)
        count = 0
        for i in range(r):
            for j in range(c):
                    noise = np.random.normal(0, 1, (1, self.input_size[0]))
                    img = self.generator.predict(noise)[0, :]
                    axs[i,j].imshow(img, cmap='gray')
                    axs[i,j].axis('off')
                    count += 1

        fig.savefig("img/img_epoch_{0}.png".format(epoch))
        plt.title("Epoch " + str(epoch))
        # plt.show()
        return None

    def train(self, X_train, batch_size=128, epochs=2000, save_interval=200):
        half_batch = batch_size//2
        y_pos_train_dis = np.ones((half_batch, 1))
        y_neg_train_dis = np.zeros((half_batch, 1))
        y_train_GAN = np.ones((batch_size, 1))
        
        for epoch in range(epochs):
            # Generate training data for Discriminator

            #   random half_batch amount of real images
            X_pos_train_dis = X_train[np.random.randint(0, X_train.shape[0], half_batch)]
            
            #   random half_batch amount of generated fake images
            X_neg_train_dis = self.generator.predict(np.random.normal(0, 1, (half_batch, self.input_size[0])))

            #   Shuffle and append data using sklearn shuffle function
            # X_train_dis, y_train_dis = tf.concat(shuffle(X_neg_train_dis, X_pos_train_dis, random_state=0), axis=0), tf.concat(shuffle(y_neg_train_dis, y_pos_train_dis, random_state=0), axis=0)
            X_train_dis, y_train_dis = tf.random.shuffle(tf.concat([X_neg_train_dis, X_pos_train_dis], axis=0)), tf.random.shuffle(tf.concat([y_neg_train_dis, y_pos_train_dis], axis=0))

            # Generate training data for combined GAN model
            X_train_GAN = np.random.normal(0, 1, (batch_size, self.input_size[0]))
            
            # Train Discriminator
            loss_dis = self.discriminator.train_on_batch(X_train_dis, y_train_dis)
            
            # Train Generator
            loss_gen = self.GAN.train_on_batch(X_train_GAN, y_train_GAN)

            # Print results
            if epoch%save_interval == 0:
                print("Discriminator loss: {0}, Generator loss: {1}".format(loss_dis[0], loss_gen[0]))
                print("Discriminator acc.: {0}, Generator acc.: {1}".format(loss_dis[1], loss_gen[1]))
                self.plot_imgs(epoch)
                
        return 0

def main():

    gan_model = GAN()
    (X_train, _), (_, _) = choose_dataset("computer_vision")
   
    # Switch from grayscale to (-1,1)
    # X_train = X_train/127.5 - 1.0

    gan_model.train(X_train)

if __name__ == '__main__':
    main()

以下是可能为该问题提供线索的准确性和损失：

Discriminator loss: 1.0392613410949707, Generator loss: 0.7247573137283325
Discriminator acc.: 0.5078125, Generator acc.: 0.125
Discriminator loss: 0.7155331969261169, Generator loss: 0.7227296829223633
Discriminator acc.: 0.484375, Generator acc.: 0.0
Discriminator loss: 0.7079681158065796, Generator loss: 0.6722699403762817
Discriminator acc.: 0.4609375, Generator acc.: 1.0
Discriminator loss: 0.6883177757263184, Generator loss: 0.7037044763565063
Discriminator acc.: 0.5390625, Generator acc.: 0.0
Discriminator loss: 0.7039847373962402, Generator loss: 0.6718121767044067
Discriminator acc.: 0.453125, Generator acc.: 1.0
Discriminator loss: 0.7004268169403076, Generator loss: 0.6409173607826233
Discriminator acc.: 0.4765625, Generator acc.: 1.0
Discriminator loss: 0.6883779168128967, Generator loss: 0.7788660526275635
Discriminator acc.: 0.5390625, Generator acc.: 0.0
Discriminator loss: 0.6933140754699707, Generator loss: 0.6169038414955139
Discriminator acc.: 0.53125, Generator acc.: 1.0
Discriminator loss: 0.6910691261291504, Generator loss: 0.6194907426834106
Discriminator acc.: 0.5625, Generator acc.: 1.0
Discriminator loss: 0.692711353302002, Generator loss: 0.6367968320846558
Discriminator acc.: 0.5078125, Generator acc.: 1.0

我认为如果您简单地更改模型中的激活函数并添加一些 dropout 层，您会得到更好的结果：

def discriminator_model(self):
  """Create discriminator model."""
  model = tf.keras.models.Sequential(name='Discriminator')
  model.add(layers.Flatten())
  model.add(layers.Dense(units=1024, kernel_initializer='normal'))
  model.add(layers.LeakyReLU(alpha=0.02))
  model.add(layers.Dropout(0.3))
  model.add(layers.Dense(units=512, kernel_initializer='normal'))
  model.add(layers.LeakyReLU(alpha=0.02))
  model.add(layers.Dropout(0.3))
  model.add(layers.Dense(units=256, kernel_initializer='normal'))
  model.add(layers.LeakyReLU(alpha=0.02))
  model.add(layers.Dropout(0.3))
  model.add(layers.Dense(units=1, kernel_initializer='normal', activation='sigmoid'))

  return model

def generator_model(self):
  """Create generator model."""
  model = tf.keras.models.Sequential(name='Generator')
  model.add(layers.Dense(units=256, kernel_initializer='normal'))
  model.add(layers.LeakyReLU(alpha=0.02))
  model.add(layers.Dense(units=512, kernel_initializer='normal'))
  model.add(layers.LeakyReLU(alpha=0.02))
  model.add(layers.Dense(units=1024, kernel_initializer='normal'))
  model.add(layers.LeakyReLU(alpha=0.02))
  model.add(layers.Dense(units=np.prod(self.img_shape), 
  kernel_initializer='normal', activation='tanh'))
  model.add(layers.Reshape((28,28)))
        
  return model

同时删除tf.random.shuffle因为它让你的生成器很难学习任何看似合理的东西：

X_train_dis, y_train_dis = tf.concat([X_neg_train_dis, X_pos_train_dis], axis=0), tf.concat([y_neg_train_dis, y_pos_train_dis], axis=0)

The results are ok, but you would be way better off using a CNN network for enter image description here

Update，确保您的鉴别器设置为trainable=False因此：

self.discriminator.trainable = True

loss_dis = self.discriminator.train_on_batch(X_train_dis, y_train_dis)

self.discriminator.trainable = False
            # Train Generator
loss_gen = self.GAN.train_on_batch(X_train_GAN, y_train_GAN)

enter image description here

这是整个模型：

import os
import sys
from typing import Counter
import tensorflow as tf
import numpy as np
from tensorflow.keras import models, layers, callbacks
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.datasets import mnist
from matplotlib import pyplot as plt
import random
from sklearn.utils import shuffle


def choose_dataset(dataset_type):
    """Select dataset based on string variable."""

    (X_train, y_train), (X_test, y_test) = mnist.load_data()
    (X_train, X_test) = normalize_dataset(dataset_type, X_train, X_test)

    (X_train, y_train), (X_test, y_test) = reshape_dataset(X_train, y_train, X_test, y_test)

    return (X_train, y_train), (X_test, y_test)

def normalize_dataset(string, X_train, X_test):
    """Normalize speech recognition and computer vision datasets."""
    if string == "computer vision":
        X_train = X_train / 255
        X_test = X_test / 255
    else:
        mean = np.mean(X_train)
        std = np.std(X_train)
        X_train = (X_train-std)/mean
        X_test = (X_test-std)/mean

    return (X_train, X_test)

def reshape_dataset(X_train, y_train, X_test, y_test):
    """Reshape Computer Vision and Speech datasets."""

    y_train = to_categorical(y_train)
    y_test = to_categorical(y_test)

    return (X_train, y_train), (X_test, y_test)


class GAN:
    """Generative Adversarial Network for digit generation (MNIST)."""
    def __init__(self, input_shape=(28,28,1), rand_vector_shape=(100,), lr=0.0002, beta=0.5):
        
        # Input sizes
        self.img_shape = input_shape
        self.input_size = rand_vector_shape
        
        # optimizer
        self.opt = tf.keras.optimizers.Adam(lr, beta)

        # Create Generator model
        self.generator = self.generator_model()
        self.generator.compile(loss='binary_crossentropy', optimizer = self.opt, metrics = ['accuracy'])
        
        # Create Discriminator model
        self.discriminator = self.discriminator_model()
        self.discriminator.compile(loss='binary_crossentropy', optimizer = tf.keras.optimizers.Adam(0.001, beta), metrics = ['accuracy'])
        
        # Set the Discriminator as non trainable in the combined GAN model
        self.discriminator.trainable = False
        
        # Define model input and output
        input = tf.keras.Input(self.input_size)
        generated_img = self.generator(input)
        output = self.discriminator(generated_img)
        
        # Define and compile combined GAN model
        self.GAN = tf.keras.Model(input, output, name="GAN")
        self.GAN.compile(loss='binary_crossentropy', optimizer = self.opt, metrics=['accuracy'])

        return None
        
    def discriminator_model(self):
        """Create discriminator model."""
        model = tf.keras.models.Sequential(name='Discriminator')
        model.add(layers.Flatten())
        model.add(layers.Dense(units=1024, kernel_initializer='normal'))
        model.add(layers.LeakyReLU(alpha=0.02))
        model.add(layers.Dropout(0.3))
        model.add(layers.Dense(units=512, kernel_initializer='normal'))
        model.add(layers.LeakyReLU(alpha=0.02))
        model.add(layers.Dropout(0.3))
        model.add(layers.Dense(units=256, kernel_initializer='normal'))
        model.add(layers.LeakyReLU(alpha=0.02))
        model.add(layers.Dropout(0.3))
        model.add(layers.Dense(units=1, kernel_initializer='normal', activation='sigmoid'))

        return model

    def generator_model(self):
        """Create generator model."""
        model = tf.keras.models.Sequential(name='Generator')
        model.add(layers.Dense(units=256, kernel_initializer='normal'))
        model.add(layers.LeakyReLU(alpha=0.02))
        model.add(layers.Dropout(0.3))
        model.add(layers.Dense(units=512, kernel_initializer='normal'))
        model.add(layers.LeakyReLU(alpha=0.02))
        model.add(layers.Dropout(0.3))
        model.add(layers.Dense(units=1024, kernel_initializer='normal'))
        model.add(layers.LeakyReLU(alpha=0.02))
        model.add(layers.Dropout(0.3))
        model.add(layers.Dense(units=np.prod(self.img_shape), kernel_initializer='normal', activation='tanh'))
        model.add(layers.Reshape((28,28)))
        
        return model
    
    def plot_imgs(self, epoch):
        seed = tf.random.normal((16, 100))
        predictions = self.generator(seed, training=False)

        fig = plt.figure(figsize=(4, 4))
        for i in range(predictions.shape[0]):
            plt.subplot(4, 4, i+1)
            plt.imshow(predictions[i, :, :] * 127.5 + 127.5, cmap='gray')
            plt.axis('off')

        fig.savefig("img/img_epoch_{0}.png".format(epoch))
        plt.title("Epoch " + str(epoch))
        # plt.show()
        return None

    def train(self, X_train, batch_size=128, epochs=4000, save_interval=200):
        half_batch = batch_size//2
        y_pos_train_dis = tf.ones((half_batch, 1))
        y_neg_train_dis = tf.zeros((half_batch, 1))
        y_train_GAN = tf.ones((batch_size, 1))

        for epoch in range(epochs):
            # Generate training data for Discriminator

            #   random half_batch amount of real images
            X_pos_train_dis = X_train[np.random.randint(0, X_train.shape[0], half_batch)]
            
            #   random half_batch amount of generated fake images
            X_neg_train_dis = self.generator.predict(tf.random.normal((half_batch, self.input_size[0])))

            #   Shuffle and append data using sklearn shuffle function
            # X_train_dis, y_train_dis = tf.concat(shuffle(X_neg_train_dis, X_pos_train_dis, random_state=0), axis=0), tf.concat(shuffle(y_neg_train_dis, y_pos_train_dis, random_state=0), axis=0)
            X_train_dis, y_train_dis = tf.concat([X_neg_train_dis, X_pos_train_dis], axis=0), tf.concat([y_neg_train_dis, y_pos_train_dis], axis=0)

            # Generate training data for combined GAN model
            X_train_GAN = tf.random.normal((batch_size, self.input_size[0]))
            
            # Train Discriminator
            self.discriminator.trainable = True

            loss_dis = self.discriminator.train_on_batch(X_train_dis, y_train_dis)

            self.discriminator.trainable = False
            # Train Generator
            loss_gen = self.GAN.train_on_batch(X_train_GAN, y_train_GAN)

            # Print results
            if epoch%save_interval == 0:
                print("Discriminator loss: {0}, Generator loss: {1}".format(loss_dis[0], loss_gen[0]))
                print("Discriminator acc.: {0}, Generator acc.: {1}".format(loss_dis[1], loss_gen[1]))
                self.plot_imgs(epoch)
                
        return 0


gan_model = GAN()
(X_train, _), (_, _) = choose_dataset("computer_vision")

gan_model.train(X_train)

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

python

tensorflow

Keras

generativeadversarialnetwork

训练过程中GAN结果图像是相同的的相关文章

如果 Excel 文件是由程序创建的，Pandas read_excel 对于具有简单公式的单元格返回 nan [重复]

这个问题在这里已经有答案了 I use pd read excel读取由以下命令创建的 excel 文件openpyxl并从一个网址下载解析后的数据框将给出nan如果单元格值是公式 which formula is simply 100
Python 转换矩阵

我有一个如下所示的列表 2 1 3 1 2 3 1 2 2 2 我想要的是一个转换矩阵它向我显示如下序列 1 后跟 1 的频率是多少 1 后面跟着 2 的频率是多少 1 后跟 3 的频率是多少 2 后跟 1 的频率是多少 2 后跟 2 的
键入的完整命令行

我想获得输入时的完整命令行 This join sys argv 在这里不起作用删除双引号另外我不想重新加入已解析和拆分的内容有任何想法吗你太迟了当键入的命令到达 Python 时您的 shell 已经发挥了它的魔力例如引
来自 pandas 数据帧的烛台图，用日期替换索引

此代码给出了带有移动平均线的烛台图但 x 轴位于索引中我需要 x 轴位于日期中需要做什么改变 import numpy as np import pandas as pd import matplotlib pyplot as plt
如何计算数据框中按另一列的列值分组的一列的连续字符串值？

我有以下数据框 Levels Labels Confidence 0 Hands 0 8 0 Leg 0 7 0 Eye 0 9 1 Ear 0 9 1 Eye 0 8 2 Hands 0 9 2 Eye 0 8 3 Eye 0 8 我想检
为什么在连接两个字符串时 Python 比 C 更快？

目前我想比较 Python 和 C 用来处理字符串的速度我认为 C 应该比 Python 提供更好的性能然而我得到了完全相反的结果这是 C 程序 include
类型错误：“datetime.datetime”和“str”的实例之间不支持“>”

我是 python 日期和时间类型的新手我有一个日期值 date 2018 11 10 10 55 31 00 00 我需要检查该日期值是否超过 90 天我试过 from datetime import datetime from da
Django 多对多关系（类别）

我的目标是向我的 Post 模型添加类别我希望以后能够按不同类别有时是多个类别查询所有帖子模型 py class Category models Model categories 1 red 2 blue 3 black title
Python - Unicode 到 ASCII 的转换

我无法在不丢失数据的情况下将以下 Unicode 转换为 ASCII u ABRA xc3O JOS xc9 I tried encode and decode他们不会这么做有人有建议吗 Unicode 字符u xce0 and u xc
在请求中设置端口

我正在尝试利用cgminer使用 Python 的 API 我对利用requests图书馆我了解如何做基本的事情requests but cgminer想要更具体一点我想缩小 import socket import json sock
通过 Python 循环浏览网络上的目录并显示其内容（文件和其他目录）

同样的道理在Python中处理从源目录到目标目录的一组文件 https stackoverflow com questions 2593399 process a set of files from a source directory t
使用 if 语句的网格网格和用户定义函数的真值不明确

假设我有一个函数f x y 足够光滑然而有些值仅在有限的意义上存在以sin x x的价值x 0只存在于极限 x gt 0 中在一般情况下我用一个来处理这个问题if陈述如果我在情节中使用它meshgrid我收到一条错误消息 Val
Python：在字典中查找具有唯一值的键？

我收到一个字典作为输入并且想要返回一个键列表其中字典值在该字典的范围内是唯一的我将用一个例子来澄清假设我的输入是字典 a 构造如下 a dict a cat 1 a fish 1 a dog 2 lt unique a bat 3
Django 2、python 3.4 无法解码 urlsafe_base64_decode(uidb64)

我正在尝试通过电子邮件激活用户电子邮件有效编码有效我使用了 django1 11 中的方法该方法运行成功在 Django 1 11 中以下内容成功解码为 28 其中 uidb64 b Mjg force text urlsafe
如何按 pandas 中的值对系列进行分组？

我现在有一只熊猫Series与数据类型Timestamp 我想按日期对其进行分组并且每组中有许多行具有不同的时间看似显而易见的方法类似于 grouped s groupby lambda x x date 然而熊猫的groupby按索
是否可以使用 Anaconda 包作为 Google Cloud Functions 的依赖项？

我正在使用 Python 运行时编写 Google Cloud Function 我需要包含一些无法使用的依赖项pip 如文档中所述here https cloud google com functions docs writing spe
python中有没有一种方法可以将存储在列表中的正则表达式模式列表应用到单个字符串？

我有一个正则表达式模式列表存储在列表类型中我想将其应用于字符串有谁知道一个好方法将列表中的每个正则表达式模式应用于字符串和如果匹配则调用与列表中该模式关联的不同函数如果可能的话我想用 python 来做这件事提前致谢 im
为boost python编译的.so找不到模块

我正在尝试将 C 代码包装到 python 中只需一个类即可导出两个函数我编译为map so 当我尝试时import map得到像噪音一样的错误 Traceback most recent call last File
如何使用 Python/Django 在 Facebook 中获取（和使用）扩展权限

我正在尝试编写一个简单的应用程序让用户授予我的代码写入其页面的 Facebook 流的权限据我了解它应该很简单让用户单击一个按钮启动一个弹出窗口其中包含我的 Facebook 应用程序中的页面在该页面中他们单击授予的内容流发
Biopython 可以执行 Seq.find() 来解释歧义代码吗

我希望能够在 Seq 对象中搜索考虑歧义代码的子序列 Seq 对象例如以下内容应该是正确的 from Bio Seq import Seq from Bio Alphabet IUPAC import IUPACAmbiguousDNA

随机推荐

R 按选定行号动态分割数据帧/子集 - 解析文本网格 praat

我正在尝试处理一个名为的分段文件 TextGrid 由 Praat 程序生成原始格式如下所示 File type ooTextFile Object class TextGrid xmin 0 xmax 243 761375 tiers
Django - 迁移外键字段类型与当前类型不匹配

我正在使用 MSSQL 数据库并且在 Django 进入演出之前我已经创建了一些表因此检查数据库我得到了模型managed False元选项然后我创建了其他与 Django 迁移相关的内容这些模型是这样的 class ModelAl
Windows UAC 对话框

我有一个没有资源的应用程序根本没有资源所以也没有 UAC 清单该应用程序使用 CopyFile 将自身安装到 appdata roaming 文件夹中它还设置自动启动以便每次启动时自动启动现在每次启动电脑时都会弹出 UAC
is_assignable<> 的结果不一致[重复]

这个问题在这里已经有答案了可能的重复 is convertible is assignable 和有什么区别 https stackoverflow com questions 13952404 what is the differen
Rails 3 邮件发送问题

我正在使用 Rails 3 并实现电子邮件发送功能我不确定我的配置是否正确但这是我的代码邮件程序 user mailer rb class UserMailer lt ActionMailer Base default from gt
组件测试中的角度单击选择选项

我已尝试以下操作来尝试单击选择下拉列表中的选项但没有任何效果 selectEl fixture debugElement query By css dropdown selectEl nativeElement options 3 nat
如何使用博主视频作为 iframe（错误 400）

我有一个网站我使用博客中托管的视频作为 iframe 代码如下所示多年来它运行得很好但目前它显示一条错误消息 Bad Request Error 400 但现在博主需要令牌才能观看博主上托管的视频链接现在如下所示 https www
如何使用执行选择器在特定时间段后将函数与参数联系起来

我是这个 iPhone 应用程序编程的新手我有一个函数其参数类型作为结构指针如下所示 void responce structurePtr someData 我想使用调用这个函数performselector method5秒的时间间
ES6 模块如何作为 Node 中的脚本运行？

ES6 模块如何作为 Node 中的脚本运行当我尝试这个 shebang 时我收到一个错误 usr bin env node experimental modules usr bin env node experimental modu
暂停线程的执行而不休眠？

我正在使用 Skype API 它每次收到一条消息都会发回一条消息我不确定这是否真的is是什么原因造成的但这是我能得到的最接近的结果当我发送太多消息时 COM 控件无法处理所有回复这会导致整个应用程序崩溃当我使用时会发生这种情况f
为什么 Silverlight 不处理我的自定义浮点属性的转换

在 Silverlight 4 项目中我有一个扩展 Canvas 的类 public class AppendageCanvas Canvas public float Friction get set public float Rest
如何计算 pandas 中事件之间的时间

原始问题我陷入了以下问题我试图找出车辆在工厂存放的具体时间和时间我有一个 Excel 工作表其中存储了所有事件这些事件要么是交付路线要么是维护事件最终目标是获得一个数据帧其中给出了车辆登记号以及相应的到达工厂和在那里花费的时
GWT - DialogBox.center() 无法正常工作

我的页面上有一个带有按钮的表格按钮太多了我有一个滚动条可以向下滚动表格按钮 onClick 生成一个对话框其中包含滚动面板内容和用于关闭该对话框的按钮我使用 DialogBox center 将其居中当我按下表格中的第一个按钮
如何将模拟器连接到 laravel 服务器 localhost:8000

当我的 Android 应用程序使用 10 0 0 2 8080 连接到 wampserver 中的项目时我可以连接到 localhost 8080 但我使用 laravel 并且我的 Web 服务位于 localhost 8000 我想
Bootstrap 响应式附加菜单

我想要一个固定菜单如引导文档 http twitter github com bootstrap base css html 与引导文档上一样它没有贴在手机上我有以下代码 div class container div class r
为什么我应该将实现的接口方法声明为“公共”？

interface Rideable String getGait public class Camel implements Rideable int weight 2 String getGait return mph lope voi
如何在 Windows 10 Powershell 上使用 npm 脚本递归复制整个目录？

如何在 Windows 10 Powershell 上使用 npm 脚本递归复制整个目录现在我有以下树 test 1 package json 2 src asd txt asd asd Copy 2 txt asd Copy txt a
如何从通过 Javascript 加载的页面上 __scrape__ 数据

我想使用 beautifulsoup 刮掉此页面上的评论 https www x s com video id the suburl 评论通过 JavaScript 在点击时加载评论是分页的每个页面也会在点击时加载评论我希望获取所有评
Eclipse 的选项卡双击 Visual Studio？

在 Eclipse 上每当我双击选项卡时它就会填充工作区通过隐藏所有其他视图如项目树控制台等有没有办法在 Visual Studio 上做到这一点注意我不是在寻找全屏只是想要一种整理工作区但仍然可以访问菜单的方法你在追寻
训练过程中GAN结果图像是相同的

我正在尝试在 MNIST 数据集上训练 GAN 该代码现在的训练结果好坏参半问题似乎是生成的图像实际上都是相同的您可以在下面找到我的完整代码我尝试环顾四周看看是否有解决方案我发现唯一提到的使用randn代替rand但我没有使用ra

训练过程中GAN结果图像是相同的

训练过程中GAN结果图像是相同的 的相关文章

随机推荐

热门标签

训练过程中GAN结果图像是相同的的相关文章