文件名称:SparseCoding:基于L1的字典学习,用于稀疏编码
文件大小:2.4MB
文件格式:ZIP
更新时间:2024-03-05 15:21:11
Python
2020年9月9日更新: 我尝试拉动并运行它,以发现它与最新的pytorch和Windows不兼容。 我将在下周更新它-现在不会运行。 -本 用法 该演示需要 。 首先,使用--help执行python run_demo.py来查看可选参数。 默认实验是带有MNIST的字典学习演示。 目的 该存储库的最终目标是提供一个稀疏的编码库,该库可实现用于(1)词典学习,(2)传统/凸代码推断(例如ISTA,SALSA)和(3)“展开”可学习编码器(例如,)。 现在,字典学习正在不断发展。 特别是,我正在构建结合了(2)和(3)的编码器类。 然后,我将概括用于形态学成分分析(MCA)的类,这是一种用于源分离的稀疏编码方法。 稀疏编码背景 用信号或图像的基本组成部分来表示通常很有用。 例如,笑脸可以有效地描述为“圆,两个点和曲线”。 至少,这比“像素1:值0.1。像素2:值1”更有效,以此类推。
【文件预览】:
SparseCoding-master
----.gitignore(1KB)
----README.md(10KB)
----loadImDat.py(9KB)
----paramSearchResults()
--------reconErrHist.png(20KB)
--------MNIST32_0000.png(635KB)
--------CIFAR1010_0210.png(16KB)
--------lossHist.png(23KB)
--------ASIRRA16_0000.png(80KB)
--------FashionMNIST10_0220.png(13KB)
--------sparsityHist.png(24KB)
----sanity_ims()
--------fixedEncoders()
--------trainedEncoders()
----LICENSE(1KB)
----getParams.py(669B)
----tests.py(3KB)
----run_demo.py(10KB)
----UTILS()
--------writeProgressFigs.py(2KB)
--------matlab_type_demo.py(3KB)
--------FISTA.py(2KB)
--------utils.py(8KB)
--------class_dict.py(3KB)
--------class_nonlinearity.py(3KB)
--------fcn_patchExtract.py(547B)
--------DictionaryTraining.py(8KB)
--------class_encoder.py(13KB)
----pSearch.py(3KB)
----results()
--------reconErrHist.png(28KB)
--------MNIST32dictAtoms.png(801KB)
--------data_atoms_comparison.pdf(565KB)
--------MNIST10dictAtoms.png(29KB)
--------lossHist.png(32KB)
--------npl1.png(14KB)
--------tmp()
--------sparsityHist.png(13KB)