آموزش بهبود تصویر در نور کم و یادگیری عمیق با پایتون

مبانی Fundamentals

• مقدمه Introduction

• درباره این پروژه About this Project

• برنامه های کاربردی Applications

• فرصت های شغلی Job Opportunities

• چرا پایتون، کراس و گوگل کولب؟ Why Python, Keras, and Google Colab?

ساخت و آموزش مدل Building and Training the Model

• راه اندازی دایرکتوری کاری Working directory set up

• مجموعه داده Dataset

• داخل Code.ipynb چیست؟ What is inside Code.ipynb?

• کد راه اندازی Launch Code

• GPU را فعال کنید Enable the GPU

• Google Drive را در نوت بوک Google Colab نصب کنید Mount Google Drive in a Google Colab notebook

• واردات کتابخانه های مختلف Import various libraries

• دانه های تصادفی را تنظیم می کند و اندازه تصویر و اندازه دسته ای را تعریف می کند Sets random seed and defines image size and batch size

• یک تصویر را بخوانید و از قبل پردازش کنید Read and preprocess an image

• برش تصادفی تصاویر Randomly cropping images

• بارگیری و پیش پردازش داده های تصویر Loading and preprocessing image data

• ساخت خط لوله داده TensorFlow Constructing a TensorFlow dataset pipeline

• تعریف مسیرهای فایل برای آموزش، اعتبار سنجی و مجموعه داده های آزمایشی Defining file paths for training, validation, and test datasets

• مجموعه داده ها را برای آموزش و اعتبار سنجی راه اندازی می کند Initializes datasets for training and validation

• به طور انتخابی ویژگی های چند مقیاسی را ادغام کنید Selectively integrate multi-scale features

• وزن های توجه فضایی را به صورت پویا یاد بگیرید Dynamically learn spatial attention weights

• یک مکانیسم توجه کانالی ایجاد کنید Create a channel-wise attention mechanism

• مکانیسم های توجه از نظر کانال و مکانی را با هم ترکیب می کند Combines both channel-wise and spatial-wise attention mechanisms

• استخراج ویژگی را انجام دهید Perform feature extraction

• ابعاد فضایی نقشه های ویژگی را افزایش دهید Increase the spatial dimensions of the feature maps

• بلوک باقیمانده چند مقیاسی Multi-scale residual block

• گروه باقیمانده بازگشتی Recursive residual group

• معماری برای مدل شبکه باقیمانده تکراری چندگانه Architecture for the Multiple Iterative Residual Network model

• معیار از دست دادن و ارزیابی سفارشی Custom loss and evaluation metric

• تدوین Compiling

• آموزش مدل Training of the model

• ذخیره مدل آموزش دیده Saving the trained model

• ترسیم از دست دادن آموزش و اعتبارسنجی Plotting the training and validation loss

• ترسیم آموزش و اعتبارسنجی نسبت سیگنال به نویز پیک Plotting the training and validation Peak Signal-to-Noise Ratio

• تجسم چندین تصویر Visualize multiple images

• بهبود تصویر با استفاده از یک مدل از پیش آموزش دیده Image enhancement using a pre-trained model

• بازرسی بصری Visual inspection