昨天以及前天這兩個實現都是基於經典的 SRCNN 結構上，包含三層卷積層。

2. 1ow_res_image.jpg 是低解析度的輸入圖像，而high_res_image. jpg 是用來進行監督學習的高解析度圖像。
   3.模型會訓練 100 個epoch，並把結果圖像保存為output_image . jpg 。

PyTorch 與 TensorFlow 實現說明

1. 數據處理：
   在兩種實現中，我們都將圖像轉換為 YCbCr 色彩空間，並只對亮度通道進行操作（丫通道），因為我們人類對亮度的變化更敏感，而Cb 和Cr通道則可以用簡單的插值方法處理。
   圖像首先被載入，然後轉換為張量形式，這是神經網絡所需的輸入格式。

2. 模型訓練：
   •這兩個實現都使用了均方誤差 (MSE） 作為損失函數，這是超分辨率問題中常用的衡量標準。MSE 會衡量重建圖像與目標圖像之間的像素差異，並指導網絡的參數更新。

•訓練過程中，我們逐步更新網絡參數，使輸出的超分辩率圖像能夠逐漸接近目標的高解析度圖像。

3. 超參數設置：
   •學習率 (Learning Rate)：設置為0.001，這是學習參數的速度。過高的學習率可能導致模型訓練不穩定，過低則會導致收斂速度過慢。
   •訓練輪數(Epochs)：我們設置了100次迭代，模型在這些迭代過程中逐漸學習如何從低解析度R圖像中恢復細節。