Référence de la classe aidge_in_space.nn.ScaleHyperprior2018

bmshj2018-hyperprior : un hyper-latent z, codé avec un prior factorisé, prédit l'échelle de chaque latent. Plus de détails...

Graphe d'héritage de aidge_in_space.nn.ScaleHyperprior2018:

Fonctions membres publiques
	__init__ (self, N=128, M=192)
	Crée les couches (poids non entraînés).

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).
	h_a = nn.Sequential(_conv(M, N, 3, 1), nn.ReLU(), _conv(N, N), nn.ReLU(), _conv(N, N))
	Hyper-analyse : latent |y| -> hyper-latent z (taille divisée par 4).
	h_s = nn.Sequential(_deconv(N, N), nn.ReLU(), _deconv(N, N), nn.ReLU(), _conv(N, M, 3, 1), nn.ReLU())
	Hyper-synthèse : z -> écart-type prédit de chaque latent.
	entropy_bottleneck = EntropyBottleneck(N)
	Prior factorisé de l'hyper-latent z.

Attributs publics statiques
int	pad_multiple = 64
	L'image est complétée à un multiple de cette taille (g_a puis h_a divisent par 64).
int	downsampling = 16
	Facteur de réduction spatiale de g_a.

Description détaillée

bmshj2018-hyperprior : un hyper-latent z, codé avec un prior factorisé, prédit l'échelle de chaque latent.

h_a réduit encore la taille par 4 (latent / 4), d'où un padding à un multiple de 64.

Documentation des constructeurs et destructeur

__init__()

aidge_in_space.nn.ScaleHyperprior2018.__init__	(		self,
			N = 128,
			M = 192 )

Crée les couches (poids non entraînés).

Paramètres

N	Canaux des couches cachées et de z.
M	Canaux du latent y.

---

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

• nn.py