Waller-Lab/EncodingInformation

[](https://encodinginformation.readthedocs.io/en/latest/?badge=latest) [](https://github.com/EncodingInformation/EncodingInformation/raw/master/LICENSE) [](https://pypi.org/project/encoding-information) [](https://pypistats.org/packages/encoding_information) 论文 [信息驱动的成像系统设计](https://waller-lab.github.io/EncodingInformationWebsite/) 的代码与实验。 有关详细用法，请参阅[文档](https://encodinginformation.readthedocs.io/en/latest/)。 ## 安装指南 `pip install encoding_information` 可能需要更多设置才能获得正确版本的 Jax/Flax，请参阅： https://github.com/Waller-Lab/EncodingInformation/blob/main/Installation_guide.md ## 快速入门 ``` from encoding_information.models import PixelCNN, PoissonNoiseModel from encoding_information import estimate_information, extract_patches # 加载测量数据（图像的 N x H x W numpy array） measurements = load_measurements() # 拆分为 training/test sets 并提取 patches # 将大图像分解为 patches 可提高计算效率 # test set 用于评估信息估计值 patches = extract_patches(measurements[:-200], patch_size=16) test_patches = extract_patches(measurements[-200:], patch_size=16) # 初始化 model 并将其拟合到 training data model = PixelCNN() # Also supports FullGaussianProcess, StationaryGaussianProcess noise_model = PoissonNoiseModel() model.fit(patches) # 估计信息内容及 confidence bounds # Error bars 根据 test set 大小进行计算 info, lower_bound, upper_bound = estimate_information( model, noise_model, patches, test_patches, confidence_interval=0.95 ) print(f"Information: {info:.2f} ± {(upper_bound-lower_bound)/2:.2f} bits/pixel") ``` 我们提供三种具有不同权衡的模型： - **PixelCNN**：估计最准确，但速度最慢 - **FullGaussianProcess**：速度最快 - **StationaryGaussianProcess**：速度居中；在数据有限的情况下性能最佳 为了获得最高精度，请训练多个模型并选择给出最低信息估计的模型，因为每个模型都提供了真实信息量的上限。 ## 文档 https://encodinginformation.readthedocs.io/en/latest/

标签：逆向工具