Skip to main content
Ctrl
+
K
深度学习在建筑工程中的应用
1. 深度学习开发环境搭建
1.1. 深度学习与Pytorch
1.1.1. 机器学习
1.1.2. 深度学习
1.1.3. 深度学习框架Pytorch
1.2. 环境搭建
1.2.1. 安装环境管理工具(Conda)
1.2.2. 安装GPU 加速包
1.2.3. 配置虚拟环境
1.3. 深度学习框架安装配置(Pytorch)
1.4. 常用工具及包介绍(Python)
1.4.1. 源码集成开发环境(PyCharm/Visual Studio Code)
1.4.2. 网页交互式运行环境(Jupyter)
1.4.3. 云端运行环境(Google Colaboratory)
1.4.4. 部分常用Python包
1.5. 基础知识(Python/Numpy/Matplotlib/PyTorch)
1.5.1. Python 编程基础
1.5.2. Numpy 数组及运算
1.5.3. 图形绘制基础
1.5.4. 框架基础(Pytorch)
1.6. 参考文献
2. 深度学习基础
2.1. 神经网络
2.1.1. 神经网络得初步认识
2.1.2. 前馈神经网络的工作机制
2.1.3. 采用神经网络对手写数字进行分类
2.2. 卷积神经网络(CNN)
2.2.1. CNN的初步认识
2.2.2. CNN 网络架构
2.2.3. 经典CNN 网络
2.2.4. 采用CNN 对手写数字进行分类
2.3. 生成对抗神经网络（GAN）
2.3.1. GAN 的初步认识
2.3.2. 采用GAN 生成手写数字
2.3.3. 采用卷积GAN生成手写数字（MNSIT-CNN-GAN）
2.3.4. 采用条件式GAN生成手写数字
2.4. 强化学习（Reinforcement Learning）
2.4.1. 强化学习的初步认识
2.4.2. 强化学习理论基础
2.4.3. 时序差分学习方法
2.4.4. 采用Q-learning 算法进行智能体路径规划
2.5. 参考文献
3. 采用深层卷积网络实现裂缝分类
3.1. 残差网络结构
3.2. 残差网络（ResNet18） 的工作机制
3.3. 采用Resnet18实现裂缝分类
3.3.1. 数据集制作
3.3.2. 模型训练
3.3.3. 模型优化与验证
3.4. 参考文献
4. 采用DCGAN 实现建筑立面生成
4.1. 深度卷积生成对抗网络概述
4.2. 基于DCGAN的建筑立面生成
4.2.1. 导入所需的库
4.2.2. 设置随机种子
4.2.3. 模型参数设置
4.2.4. 数据集加载与可视化
4.2.5. DCGAN生成器的构建
4.2.6. DCGAN判别器的构建
4.2.7. 模型权重初始化
4.2.8. 损失函数与优化器
4.2.9. 模型训练与可视化
4.3. GAN 训练的改进方法
4.3.1. 判别器标签平滑
4.3.2. 使用不同学习率
4.3.3. 特征匹配损失
4.3.4. 最小二乘损失
4.4. 参考文献
5. 基于强化学习的钢筋排布避障设计
5.1. 梁柱节点钢筋避障排布问题描述——多智能体路径规划
5.2. 钢筋排布路径规划的多智能体强化学习
5.2.1. 强化学习智能体设计
5.2.2. Q-learning算法
5.3. 采用强化学习实现二维钢筋自动排布
5.3.1. 强化学习算法参数设定
5.3.2. 创建强化学习环境
5.3.3. Q-learning 算法
5.3.4. 创建训练函数
5.4. 采用强化学习实现三维钢筋自动排布
5.4.1. 钢筋混凝土梁柱节点三维钢筋排布实例
5.4.2. 三维钢筋排布多智能体强化学习训练过程
5.4.3. 结果讨论
5.5. 参考文献
Repository
Open issue
.md
.pdf
GAN 训练的改进方法
4.3.
GAN 训练的改进方法
#
本节将介绍四种提升GAN训练效果的改进方法。