github链接：https://github.com/kaonashi-tyc/Rewrite

网络的结构框架以及相关参数：

每个卷积层后面是一个批处理归一化层，然后是一个ReLu层，一直到零填充。

正如Erik的博客中提到的，该网络针对预测输出和地面真相之间的像素级MAE(平均绝对误差)最小化，而不是更常用的MSE(均方误差)。MAE往往会产生更清晰、更清晰的图像，而MSE则会产生更模糊和偏灰的图像。同时，利用全变差损失来提高图像的平滑度。

层数n是可配置的，n越大，输出越详细，越干净，但需要更长的训练时间，通常选择在[2,4]之间。大于4的选项似乎达到了收益递减的点，增加了运行时间，但对损失或输出都没有明显的改善。

为了更好的细节，大的卷积。在我的实验中，我开始使用直接堆叠的普通3x3卷积，但它最终表现很差，或者在更困难和奇异的字体上没有收敛。所以我最终得到了这个向下延伸的形状架构，在不同的层上有不同大小的卷积，每个卷积包含大约相同数量的参数，所以网络可以在不同的层次上捕捉细节。

Dropout是收敛的必要条件。如果没有它，网络就会放弃或陷入琐碎的解决方案，就像所有的白色或黑色图像一样。
Erik和Shumeet的工作中使用的全连接层对汉字的效果不太好，产生更嘈杂和不稳定的输出。我的猜测是，汉字的结构要复杂得多，本质上更接近图像，而不是字母，所以