Référence de la classe aidge_in_space.nn.FactorizedPrior2018

bmshj2018-factorized : 4 conv 5x5 de pas 2 avec GDN entre chacune, prior factorisé. Plus de détails...

Graphe d'héritage de aidge_in_space.nn.FactorizedPrior2018:

Fonctions membres publiques
	__init__ (self, N=128, M=192)
	Crée les couches (poids non entraînés).
	prior (self)
	Prior factorisé des latents (EntropyBottleneck).

Attributs publics
	in_ch
	Canaux de l'image, des couches cachées et du latent.
	N
	Canaux de l'image, des couches cachées et du latent.
int	M = 3, N, M
	Canaux de l'image, des couches cachées et du latent.
	g_a = nn.Sequential(_conv(3, N), GDN(N), _conv(N, N), GDN(N), _conv(N, N), GDN(N), _conv(N, M))
	Transformée d'analyse (encodeur, à bord) : 4 conv 5x5 de pas 2 et 3 GDN.
	g_s
	Transformée de synthèse (décodeur, au sol).
	entropy_bottleneck = EntropyBottleneck(M)
	Prior factorisé des latents (nom de CompressAI).

Attributs publics statiques
int	pad_multiple = 16
	L'image est complétée à un multiple de cette taille.
int	downsampling = 16
	Facteur de réduction spatiale de g_a.

Description détaillée

bmshj2018-factorized : 4 conv 5x5 de pas 2 avec GDN entre chacune, prior factorisé.

Documentation des constructeurs et destructeur

__init__()

aidge_in_space.nn.FactorizedPrior2018.__init__	(		self,
			N = 128,
			M = 192 )

Crée les couches (poids non entraînés).

Paramètres

N	Canaux des couches cachées.
M	Canaux du latent.

---

La documentation de cette classe a été générée à partir du fichier suivant :

• nn.py