如何平衡 GAN 中生成器和判别器的性能？

2024-04-11

这是我第一次使用 GAN，我面临着判别器多次优于生成器的问题。我正在尝试重现PA模型来自本文 http://openaccess.thecvf.com/content_ICCV_2017/papers/Sajjadi_EnhanceNet_Single_Image_ICCV_2017_paper.pdf我正在看这个略有不同的实现 https://github.com/erikqu/EnhanceNet-PyTorch/blob/e4f1eb2a89497d9205463a0e9c54f334389d9405/train.py来帮助我。

我读了很多关于 GAN 如何工作的论文，并且还遵循了一些教程来更好地理解它们。此外，我读过有关如何克服主要不稳定性的文章，但我找不到克服这种行为的方法。

在我的环境中，我正在使用PyTorch and BCELoss()。继DCGAN PyTorch 教程 https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html，我正在使用以下训练循环：

criterion = nn.BCELoss()
train_d = False
# Discriminator true
optim_d.zero_grad()
disc_train_real = target.to(device)
batch_size = disc_train_real.size(0)
label = torch.full((batch_size,), 1, device=device).cuda()
output_d = discriminator(disc_train_real).view(-1)
loss_d_real = criterion(output_d, label).cuda()
if lossT:
    loss_d_real *= 2
if loss_d_real.item() > 0.3:
    loss_d_real.backward()
    train_d = True
D_x = output_d.mean().item()
# Discriminator false
output_g = generator(image)
output_d = discriminator(output_g.detach()).view(-1)
label.fill_(0)
loss_d_fake = criterion(output_d, label).cuda()
D_G_z1 = output_d.mean().item()
if lossT:
    loss_d_fake *= 2
loss_d = loss_d_real + loss_d_fake
if loss_d_fake.item() > 0.3:
    loss_d_fake.backward()
    train_d = True
if train_d:
    optim_d.step()

# Generator
label.fill_(1)
output_d = discriminator(output_g).view(-1)
loss_g = criterion(output_d, label).cuda()
D_G_z2 = output_d.mean().item()
if lossT:
    loss_g *= 2

loss_g.backward()
optim_g.step()

经过一段时间的沉淀，一切似乎都进展顺利：

Epoch 1/5 - Step: 1900/9338  Loss G: 3.057388  Loss D: 0.214545  D(x): 0.940985  D(G(z)): 0.114064 / 0.114064
Time for the last step: 51.55 s    Epoch ETA: 01:04:13
Epoch 1/5 - Step: 2000/9338  Loss G: 2.984724  Loss D: 0.222931  D(x): 0.879338  D(G(z)): 0.159163 / 0.159163
Time for the last step: 52.68 s    Epoch ETA: 01:03:24
Epoch 1/5 - Step: 2100/9338  Loss G: 2.824713  Loss D: 0.241953  D(x): 0.905837  D(G(z)): 0.110231 / 0.110231
Time for the last step: 50.91 s    Epoch ETA: 01:02:29
Epoch 1/5 - Step: 2200/9338  Loss G: 2.807455  Loss D: 0.252808  D(x): 0.908131  D(G(z)): 0.218515 / 0.218515
Time for the last step: 51.72 s    Epoch ETA: 01:01:37
Epoch 1/5 - Step: 2300/9338  Loss G: 2.470529  Loss D: 0.569696  D(x): 0.620966  D(G(z)): 0.512615 / 0.350175
Time for the last step: 51.96 s    Epoch ETA: 01:00:46
Epoch 1/5 - Step: 2400/9338  Loss G: 2.148863  Loss D: 1.071563  D(x): 0.809529  D(G(z)): 0.114487 / 0.114487
Time for the last step: 51.59 s    Epoch ETA: 00:59:53
Epoch 1/5 - Step: 2500/9338  Loss G: 2.016863  Loss D: 0.904711  D(x): 0.621433  D(G(z)): 0.440721 / 0.435932
Time for the last step: 52.03 s    Epoch ETA: 00:59:02
Epoch 1/5 - Step: 2600/9338  Loss G: 2.495639  Loss D: 0.949308  D(x): 0.671085  D(G(z)): 0.557924 / 0.420826
Time for the last step: 52.66 s    Epoch ETA: 00:58:12
Epoch 1/5 - Step: 2700/9338  Loss G: 2.519842  Loss D: 0.798667  D(x): 0.775738  D(G(z)): 0.246357 / 0.265839
Time for the last step: 51.20 s    Epoch ETA: 00:57:19
Epoch 1/5 - Step: 2800/9338  Loss G: 2.545630  Loss D: 0.756449  D(x): 0.895455  D(G(z)): 0.403628 / 0.301851
Time for the last step: 51.88 s    Epoch ETA: 00:56:27
Epoch 1/5 - Step: 2900/9338  Loss G: 2.458109  Loss D: 0.653513  D(x): 0.820105  D(G(z)): 0.379199 / 0.103250
Time for the last step: 53.50 s    Epoch ETA: 00:55:39
Epoch 1/5 - Step: 3000/9338  Loss G: 2.030103  Loss D: 0.948208  D(x): 0.445385  D(G(z)): 0.303225 / 0.263652
Time for the last step: 51.57 s    Epoch ETA: 00:54:47
Epoch 1/5 - Step: 3100/9338  Loss G: 1.721604  Loss D: 0.949721  D(x): 0.365646  D(G(z)): 0.090072 / 0.232912
Time for the last step: 52.19 s    Epoch ETA: 00:53:55
Epoch 1/5 - Step: 3200/9338  Loss G: 1.438854  Loss D: 1.142182  D(x): 0.768163  D(G(z)): 0.321164 / 0.237878
Time for the last step: 50.79 s    Epoch ETA: 00:53:01
Epoch 1/5 - Step: 3300/9338  Loss G: 1.924418  Loss D: 0.923860  D(x): 0.729981  D(G(z)): 0.354812 / 0.318090
Time for the last step: 52.59 s    Epoch ETA: 00:52:11

也就是说，生成器上的梯度较高，并在一段时间后开始下降，同时鉴别器上的梯度上升。至于损失，生成器下降，而鉴别器上升。如果与教程相比，我想这是可以接受的。

这是我的第一个问题：我注意到在教程中（通常）是D_G_z1 rises, D_G_z2减少（反之亦然），而在我的示例中，这种情况发生的次数要少得多。这只是巧合还是我做错了什么？

鉴于此，我已经让训练程序继续进行，但现在我注意到了这一点：

Epoch 3/5 - Step: 1100/9338  Loss G: 4.071329  Loss D: 0.031608  D(x): 0.999969  D(G(z)): 0.024329 / 0.024329
Time for the last step: 51.41 s    Epoch ETA: 01:11:24
Epoch 3/5 - Step: 1200/9338  Loss G: 3.883331  Loss D: 0.036354  D(x): 0.999993  D(G(z)): 0.043874 / 0.043874
Time for the last step: 51.63 s    Epoch ETA: 01:10:29
Epoch 3/5 - Step: 1300/9338  Loss G: 3.468963  Loss D: 0.054542  D(x): 0.999972  D(G(z)): 0.050145 / 0.050145
Time for the last step: 52.47 s    Epoch ETA: 01:09:40
Epoch 3/5 - Step: 1400/9338  Loss G: 3.504971  Loss D: 0.053683  D(x): 0.999972  D(G(z)): 0.052180 / 0.052180
Time for the last step: 50.75 s    Epoch ETA: 01:08:41
Epoch 3/5 - Step: 1500/9338  Loss G: 3.437765  Loss D: 0.056286  D(x): 0.999941  D(G(z)): 0.058839 / 0.058839
Time for the last step: 52.20 s    Epoch ETA: 01:07:50
Epoch 3/5 - Step: 1600/9338  Loss G: 3.369209  Loss D: 0.062133  D(x): 0.955688  D(G(z)): 0.058773 / 0.058773
Time for the last step: 51.05 s    Epoch ETA: 01:06:54
Epoch 3/5 - Step: 1700/9338  Loss G: 3.290109  Loss D: 0.065704  D(x): 0.999975  D(G(z)): 0.056583 / 0.056583
Time for the last step: 51.27 s    Epoch ETA: 01:06:00
Epoch 3/5 - Step: 1800/9338  Loss G: 3.286248  Loss D: 0.067969  D(x): 0.993238  D(G(z)): 0.063815 / 0.063815
Time for the last step: 52.28 s    Epoch ETA: 01:05:09
Epoch 3/5 - Step: 1900/9338  Loss G: 3.263996  Loss D: 0.065335  D(x): 0.980270  D(G(z)): 0.037717 / 0.037717
Time for the last step: 51.59 s    Epoch ETA: 01:04:16
Epoch 3/5 - Step: 2000/9338  Loss G: 3.293503  Loss D: 0.065291  D(x): 0.999873  D(G(z)): 0.070188 / 0.070188
Time for the last step: 51.85 s    Epoch ETA: 01:03:25
Epoch 3/5 - Step: 2100/9338  Loss G: 3.184164  Loss D: 0.070931  D(x): 0.999971  D(G(z)): 0.059657 / 0.059657
Time for the last step: 52.14 s    Epoch ETA: 01:02:34
Epoch 3/5 - Step: 2200/9338  Loss G: 3.116310  Loss D: 0.080597  D(x): 0.999850  D(G(z)): 0.074931 / 0.074931
Time for the last step: 51.85 s    Epoch ETA: 01:01:42
Epoch 3/5 - Step: 2300/9338  Loss G: 3.142180  Loss D: 0.073999  D(x): 0.995546  D(G(z)): 0.054752 / 0.054752
Time for the last step: 51.76 s    Epoch ETA: 01:00:50
Epoch 3/5 - Step: 2400/9338  Loss G: 3.185711  Loss D: 0.072601  D(x): 0.999992  D(G(z)): 0.076053 / 0.076053
Time for the last step: 50.53 s    Epoch ETA: 00:59:54
Epoch 3/5 - Step: 2500/9338  Loss G: 3.027437  Loss D: 0.083906  D(x): 0.997390  D(G(z)): 0.082501 / 0.082501
Time for the last step: 52.06 s    Epoch ETA: 00:59:03
Epoch 3/5 - Step: 2600/9338  Loss G: 3.052374  Loss D: 0.085030  D(x): 0.999924  D(G(z)): 0.073295 / 0.073295
Time for the last step: 52.37 s    Epoch ETA: 00:58:12

不仅D(x)又增加了，而且几乎停留在 1 处，但也有 2 处D_G_z1 and D_G_z2始终显示相同的值。此外，从损失来看，判别器的表现明显优于生成器。这种行为在该时期的剩余时间和所有下一个时期持续不断，直到训练结束。

因此我的第二个问题: 这正常吗？如果不是，我在程序中做错了什么？如何才能达到更稳定的训练效果？

EDIT:我尝试使用以下方法训练网络MSELoss()按照建议，这是输出：

Epoch 1/1 - Step: 100/9338  Loss G: 0.800785  Loss D: 0.404525  D(x): 0.844653  D(G(z)): 0.030439 / 0.016316
Time for the last step: 55.22 s    Epoch ETA: 01:25:01
Epoch 1/1 - Step: 200/9338  Loss G: 1.196659  Loss D: 0.014051  D(x): 0.999970  D(G(z)): 0.006543 / 0.006500
Time for the last step: 51.41 s    Epoch ETA: 01:21:11
Epoch 1/1 - Step: 300/9338  Loss G: 1.197319  Loss D: 0.000806  D(x): 0.999431  D(G(z)): 0.004821 / 0.004724
Time for the last step: 51.79 s    Epoch ETA: 01:19:32
Epoch 1/1 - Step: 400/9338  Loss G: 1.198960  Loss D: 0.000720  D(x): 0.999612  D(G(z)): 0.000000 / 0.000000
Time for the last step: 51.47 s    Epoch ETA: 01:18:09
Epoch 1/1 - Step: 500/9338  Loss G: 1.212810  Loss D: 0.000021  D(x): 0.999938  D(G(z)): 0.000000 / 0.000000
Time for the last step: 52.18 s    Epoch ETA: 01:17:11
Epoch 1/1 - Step: 600/9338  Loss G: 1.216168  Loss D: 0.000000  D(x): 0.999945  D(G(z)): 0.000000 / 0.000000
Time for the last step: 51.24 s    Epoch ETA: 01:16:02
Epoch 1/1 - Step: 700/9338  Loss G: 1.212301  Loss D: 0.000000  D(x): 0.999970  D(G(z)): 0.000000 / 0.000000
Time for the last step: 51.61 s    Epoch ETA: 01:15:02
Epoch 1/1 - Step: 800/9338  Loss G: 1.214397  Loss D: 0.000005  D(x): 0.999973  D(G(z)): 0.000000 / 0.000000
Time for the last step: 51.58 s    Epoch ETA: 01:14:04
Epoch 1/1 - Step: 900/9338  Loss G: 1.212016  Loss D: 0.000003  D(x): 0.999932  D(G(z)): 0.000000 / 0.000000
Time for the last step: 52.20 s    Epoch ETA: 01:13:13
Epoch 1/1 - Step: 1000/9338  Loss G: 1.215162  Loss D: 0.000000  D(x): 0.999988  D(G(z)): 0.000000 / 0.000000
Time for the last step: 52.28 s    Epoch ETA: 01:12:23
Epoch 1/1 - Step: 1100/9338  Loss G: 1.216291  Loss D: 0.000000  D(x): 0.999983  D(G(z)): 0.000000 / 0.000000
Time for the last step: 51.78 s    Epoch ETA: 01:11:28
Epoch 1/1 - Step: 1200/9338  Loss G: 1.215526  Loss D: 0.000000  D(x): 0.999978  D(G(z)): 0.000000 / 0.000000
Time for the last step: 51.88 s    Epoch ETA: 01:10:35

可以看出，情况变得更加糟糕。此外，阅读增强网络论文 http://openaccess.thecvf.com/content_ICCV_2017/papers/Sajjadi_EnhanceNet_Single_Image_ICCV_2017_paper.pdf再次，第 4.2.4 节（对抗性训练）指出，所使用的对抗性损失函数是BCELoss()，正如我期望解决我遇到的梯度消失问题MSELoss().

解释 GAN 损失有点像魔法，因为实际损失值

问题一：鉴别器/生成器主导地位之间摇摆的频率主要取决于几个因素（根据我的经验）：学习率和批量大小，这将影响传播损失。使用的特定损失指标将影响 D & G 网络训练方式的差异。 EnhanceNet 论文（用于基线）和教程也使用均方误差损失 - 您使用的是二元交叉熵损失，这将改变网络收敛的速率。我不是专家所以这里有一个很好的链接到 Rohan Varma 的文章，该文章解释了损失函数之间的差异 https://rohanvarma.me/Loss-Functions/。我很想知道当您更改损失函数时您的网络行为是否有所不同 - 尝试一下并更新问题？

问题2：随着时间的推移，D 和 G 都会损失should稳定到一个值，但是很难判断它们是否已经收敛于强大的性能，或者是否由于诸如模式崩溃/梯度递减之类的原因而收敛（Jonathan Hui 对 GAN 训练中问题的解释 https://medium.com/@jonathan_hui/gan-why-it-is-so-hard-to-train-generative-advisory-networks-819a86b3750b）。我发现的最好方法是实际检查生成图像的横截面，并目视检查输出或在生成的图像集中使用某种感知指标（SSIM、PSNR、PIQ 等）。

您可能会发现对寻找 ans 有用的其他一些有用线索：

这个帖子 https://stackoverflow.com/questions/42690721/how-to-interpret-the-discriminators-loss-and-the-generators-loss-in-generative有一些关于解释 GAN 损失的相当好的指导。

伊恩·古德费洛NIPS2016教程 https://arxiv.org/pdf/1701.00160.pdf对于如何平衡D&G的训练也有一些扎实的想法。

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@)

如何平衡 GAN 中生成器和判别器的性能？的相关文章

Python lambda 函数没有在 for 循环中正确调用[重复]

这个问题在这里已经有答案了我正在尝试使用 Python 中的 Tkinter 制作一个计算器我使用 for 循环来绘制按钮并且尝试使用 lambda 函数以便仅在按下按钮时调用按钮的操作而不是在程序启动时立即调用然而当我尝试这
缺少 python 配置

我正在安装一个程序需要安装 python config 唯一的问题是我目前没有 python config 而且我似乎不知道如何获取它经过搜索后我应该可以通过以下方式安装它 yum install python devel 然而这样
隐藏控制台并执行 python 脚本

我正在尝试使用 pyinstaller 在 Windows 10 上使用 pyqt5 模块编译在 python 3 中构建的 python 脚本该脚本在运行时隐藏窗口为了编译我的脚本我执行了以下命令 pyinstaller onefi
将图像转换为二进制流

我的应用程序有两个方面一方面我使用 C 来使用 Pleora 的 EBUS SDK 从相机读取帧当第一次接收到该流时在将缓冲区转换为图像之前我能够一次读取 16 位流以便对每个像素执行一些计算即每个像素都存在一个 16 位数据块
VSCode Jupyter Notebook - 恢复缓存版本

我正在使用在 Ubuntu 19 10 上运行的 VSCode v 1 48 0 创建一个 Jupyter Notebook VSCode 崩溃了不幸的是我没有保存笔记本当我重新启动时它是空的我已经能够在 config Code Us
在Python中随机化列表[重复]

这个问题在这里已经有答案了我想知道是否有一个好方法来震动 Python 中的项目列表例如 1 2 3 4 5 可能会被动摇随机化 3 1 4 2 5 任何顺序都同样可能 from random import shuffle list
如何将 Jinja 与 Twisted 一起使用？

我正在计划使用 Python 与 Twisted Storm 和 Jinja 一起开发一个讨论软件问题是 Jinja 不是为 Twisted 或异步套接字库而设计的并且使用 Twisted 提供的性能是我不打算使用 Flask 的原因
Emacs：调试Python的方法

我把这个贴在程序员 stackexchange com https softwareengineering stackexchange com questions 29844 emacs methods for debugging pyth
SpaCy 模型“en_core_web_sm”的词汇量大小

我尝试在 SpaCy 小模型中查看词汇量 model name en core web sm nlpp spacy load model name len list nlpp vocab strings 只给了我 1185 个单词我也在同
使用 Beautifulsoup 解析时保持 XML 文件的缩进

我正在使用 BS4 解析 XML 文件并尝试将其写回新的 XML 文件输入文件
包装 C++ Qt 小部件以便在 Python 中与 PySide 一起使用

在 Python 中使用自定义 Qt 显示小部件包装自定义 C 库以便在基于 PySide 的 QApplication 中使用的最佳方法是什么 C 库是否需要特殊处理才能使用 SWIG 进行包装封装的 Qt 小部件能否与 PySide
按多索引的一级对 pandas DataFrame 进行排序

我有一个多索引 pandas DataFrame 需要按索引器之一进行排序这是数据片段 gene VIM treatment dose time TGFb 0 1 2 0 158406 1 2 0 039158 10 2 0 052608
如何从列表中删除“\xe2”

我是 python 新手正在使用它在我的项目中使用 nltk 对从网页获得的原始数据进行单词标记后我得到了一个包含 xe2 xe3 x98 等的列表但是我不需要这些并想删除它们我只是尝试过 if x in a and if a st
没有名为 urllib.parse 的模块（我应该如何安装它？）

我正在尝试在 CentOS 7 上运行 REST API 我读到 urllib parse is in Python 3 但我使用的是 Python 2 7 5 所以我不知道如何安装此模块我安装了所有要求但仍然无法运行该项目当我寻找
带回溯的 Dijkstra 算法？

In a 相关主题 https stackoverflow com questions 28333756 finding most efficient path between two nodes in an interval graph
如何点击 Google Trends 中的“加载更多”按钮并通过 Selenium 和 Python 打印所有标题

这次我想单击一个按钮来加载更多实时搜索这是网站的链接该按钮位于页面末尾代码如下 div class feed load more button Load more div 由于涉及到一些 AngularJS 我不知道该怎么做有什么提
对 Python 的 id() 感到困惑[重复]

这个问题在这里已经有答案了我可以理解以下定义每个对象都有一个身份类型和值对象的身份一旦创建就永远不会改变你可能会认为它是对象在内存中的地址这is操作员比较身份两个物体这id 函数返回一个代表其值的整数身份我假设上面的
使用 JSON 可序列化枚举自动生成棉花糖模式

创建与我的模型相同的棉花糖模式的日子已经一去不复返了我发现这个优秀的答案 https stackoverflow com a 42892443 4097322这解释了我如何使用简单的装饰器从 SQA 模型自动生成模式因此我实现了它并替换
如何在特定时间启动Tornado周期性回调？

目前在我的 Tornado 应用程序中我正在使用定期调用回调PeriodicCallback每隔一小时像这样 import tornado ioloop from tornado ioloop import PeriodicCallba
Python中如何实现相对导入

考虑 stuff init py mylib py Foo init py main py foo init py script py script py想要进口mylib py 这只是一个示例但实际上我只想在父目录中进行模块的相对导入

随机推荐

将代码热交换到“mvnDebug tomcat:run”

通常我使用启动tomcatmvnDebug tomcat run 代码更改后我需要使用mvn tomcat redeploy 这是次优的因为我经常只更改现有方法体的内容我可以将方法的主体热交换到运行时中然后进行热重新部署作为后备吗不
UITableView：我可以删除多行吗？

我想根据用户的选择从表视图中删除多行显然我不能使用didSelectRowAtIndexPath方法因为它将为所选的每一行调用我想让用户选择多行进行删除然后一次性删除它们是否可以如果是那么该怎么办呢另外我正在使用基于单视图
如何配置 ASP.NET Core 1.0 以使用本地 IIS 而不是 IIS Express？

我怎样才能设置一个 Net核心1 0项目使用本地IIS代替IIS 快递调试时我尝试过修改启动设置 json以各种方式归档例如替换所有出现的IIS 快递 with 本地IIS并更新应用程序网址 and 启动网址使用我的自定义本地主机ht
使用 DisplaCy 将 SpaCy 渲染文件保存为 SVG

我有以下代码 import spacy from spacy import displacy from pathlib import Path nlp spacy load en core web sm parse True tag Tru
为什么我们需要在重载 >> 和 << 运算符时返回对 istream/ostream 的引用？

如果我不回来会怎样din or dout 实际上我正在读一本书其中作者返回了返回流引用 istream operator gt gt istream din vector a for int i 0 i
主题应用程序中的样式 SnackBar

我需要帮助如何更改样式应用程序中小吃栏中文本的设计我对代码的更改不感兴趣我找到了以下代码但这对我不起作用这是为什么我的主题源自 style Theme AppCompat Light DarkActionBar 我将非常感谢您的
如何监控 DOM 的变化？

有没有一种方法使用 jQuery 或其他方式来监视 DOM 的插入删除样式更新等请参阅此处的 MutationEvent 元素 https developer mozilla org en DOM DOM event refere
插件和主题之间的依赖冲突

我在我的网站上安装了自定义主题和 SMTP 插件它们都包含用于不同目的的 Google API PHP 客户端不幸的是插件和主题使用的依赖是不同版本的并且它们无法轻松升级或降级这会导致冲突插件从主题加载包而不是自己的包并抛出错
Axis HTTP 与 Axis HTTPS 代理设置

我部署在 Weblogic 集群上的 Java 应用程序调用两个 Web 服务如下所示它通过 HTTPS 将 SOAP 客户端请求发送到互联网上的外部应用程序通过 Axis 1 4 创建的 Java 类此后它通过 HTTP 将 S
在 Erlang 中使用完全限定的函数调用？

我刚刚学习了如何在 Erlang 中升级模块并且我知道只有使用完全限定名称的函数调用例如module function 重新链接到加载到 VM 中的当前版本但未指定模块名称的函数调用不会重新链接到当前版本而是继续使用旧版本关
Heroku 错误：找不到模块“./config/keys”

我部署了一个 Nodejs 应用程序到目前为止它的后端是 Heroku 我在浏览器中收到应用程序错误当我跑步时heroku logs 我看到这个错误 Error Cannot find module config keys 所以我运行一
静态链接 libpng 到共享库

我已将问题简化为最小的 test c include png h int function printf ld long png create read struct 编译用 gcc shared fPIC test c o test so
有什么办法区分MYSQL更新0受影响行的情况吗？

假设我有一个名为 t 的表 key value 1 abc 2 def 考虑两个 MYSQL 查询 UPDATE t SET value abc WHERE key 1 UPDATE t SET value abc WHERE key 3
ScheduleLocalNotification 不适用于越狱应用程序？

我有一个应用程序可以调用scheduleLocalNotification 但是当我安装它时它不起作用应用代替 var mobile 应用程序 void doNotify this doesn t work when app is in
Java XMLStreamWriter：输出 Unicode 扩展字符（非 BMP）

有谁知道如何正确输出扩展字符非BMP 超过1char 使用Java的XMLStreamWriter 例如尝试输出 Unicode U 10480 import java io OutputStreamWriter import java
使用 ContentProvider 插入多行

我需要在一个事务中插入几行我可以使用 ContentProvider 来实现吗我已经在我的应用程序中实现了这一点这是我使用的代码的要点在我的内容提供程序中我重写了 applyBatch 方法这是一个非常简单的重写方法 Perfo
.NET COMException 接口未注册

我无法理解这一点我想使用该供应商的 OCXhttp www mobyt it http www mobyt it 发送短信它是一个 dll 他们提供了 Vb NET Visual C 等的使用示例我得到的例外是 System Runt
如何防止 img:hover 舍入/摆动？（仅限火狐）

我注意到标准的悬停在以非原始宽度值显示的图像上当鼠标悬停生效时将导致轻微的摆动动画我认为这是由于发生了一些像素舍入但为什么悬停时图像显示不同请参考我的测试用例http jsfiddle net z29LM 8 http jsf
Git blob 数据和不同信息

据我所知 Git 的 blob 将 SHA1 哈希值作为文件名以避免在存储库中重复文件例如如果文件 A 的内容为 abc SHA1 哈希为 12345 只要内容不改变提交分支就可以指向相同的 SHA1 但是如果将文件 A 修改为
如何平衡 GAN 中生成器和判别器的性能？

这是我第一次使用 GAN 我面临着判别器多次优于生成器的问题我正在尝试重现PA模型来自本文 http openaccess thecvf com content ICCV 2017 papers Sajjadi EnhanceNet Si

如何平衡 GAN 中生成器和判别器的性能？

如何平衡 GAN 中生成器和判别器的性能？ 的相关文章

随机推荐

热门标签

如何平衡 GAN 中生成器和判别器的性能？的相关文章