本文共 1453 字，大约阅读时间需要 4 分钟。

本博客记录对论文《Deep_Adaptive_Image》的学习过程，包括调通代码和论文理解，作为下一次论文分享会的储备材料。

论文下载地址：（Related Material中pdf就是paper，Supp是补充材料，也可以下来看看）

代码部分

运行环境

调通代码的过程中，环境是最麻烦的，在作者的github上只有（Keras 1.1.2 + Theano 0.8.2）这两个的要求，但是放在现在是不太行的，所以我这里具体记录一下调通之后的环境：

MNIST

上来首先试一下mnist的，毕竟对这个数据集最熟悉。下面是调代码的过程中，碰到一些要修改的地方

os.environ['THEANO_FLAGS']='device=gpu3,lib.cnmem=1,mode=FAST_RUN,floatX=float32,optimizer=fast_compile'

2、对于代码中有下面这三个属性的，因为keras版本问题，全都换成(img_rows, img_cols,img_channels)，换成这样的顺序，否则会报错，记得换全，别漏了。

img_channels, img_rows, img_cols

3、把MNIST文件夹中的mnist.log文件换一个名字，这是作者给你的实验结果。如果你要自己跑的话，生成的文件跟这个重名，会覆盖。所以提前给它换个名字，方便后面再做对比

CIFAR10

要修改的地方第1点和上面mnist部分一样

#datanb_classes = 10img_channels, img_rows, img_cols = 3, 32, 32file = h5py.File('/home/changjianlong/datasets/CIFAR10.h5')X_train = file['X_train'][:]y_true = file['y_train'][:]y_true = y_true.astype('int64')file.close()

这一部分大概在98-105行左右，要修改为

#datanb_classes = 10img_channels, img_rows, img_cols = 3, 32, 32(X_train, y_train), (X_test, y_test) = cifar10.load_data()y_true=np.array([])for i in y_train:    y_true=np.append(y_true,i)# file = h5py.File('/home/changjianlong/datasets/CIFAR10.h5')# X_train = file['X_train'][:]# y_true = file['y_train'][:]y_true = y_true.astype('int64')# file.close()

论文部分

未完待续…

发现一个别人的笔记，做个标记：