<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Atomwh的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/A_a_ron</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; A_a_ron]]></copyright><item><title><![CDATA[Pytorch Geometric 源码安装记录]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/109177897</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/109177897</guid><author>A_a_ron</author><pubDate>Mon, 18 Jan 2021 18:22:53 +0800</pubDate><description><![CDATA[文章目录前言一、pytorch_geometric是什么？二、安装步骤2.1 安装编译好的版本2.源码安装总结

前言
提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考
一、pytorch_geometric是什么？
示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
二、安装步骤
2.1 安装编译好的版本
]]></description><category></category></item><item><title><![CDATA[一套键鼠控制Win和Ubuntu！]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/109775151</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/109775151</guid><author>A_a_ron</author><pubDate>Mon, 18 Jan 2021 18:15:56 +0800</pubDate><description><![CDATA[前言
安装步骤
一、 安装flatpak
按照链接中的步骤进行逐步安装




]]></description><category></category></item><item><title><![CDATA[好物推荐：眼科影像研究组有哪些？]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/105906705</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/105906705</guid><author>A_a_ron</author><pubDate>Sun, 03 May 2020 23:48:40 +0800</pubDate><description><![CDATA[前言
对于一个研究者而言，应该时刻关注该领域的动向，例如所研究的领域有哪些最新的文章、有哪些比较大的研究组、有哪些大牛研究者。紧跟领域前沿不仅能够帮助我们在研究中不落后，也能够帮助我们了解更多别人在做的idea同时调整自己的idea。
这里对领域内较大的眼科影像方面的研究组做个汇总整理，希望能够对大家有所帮助。


...]]></description><category></category></item><item><title><![CDATA[好物推荐：眼科OCT影像自动分割工具推荐]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/105905640</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/105905640</guid><author>A_a_ron</author><pubDate>Sun, 03 May 2020 18:12:05 +0800</pubDate><description><![CDATA[前言

本人研究生在读，我的研究方向是医学影像处理。研究生阶段主要集中在眼科医学影像，具体一点就是视网膜OCT图像。最近在写研究生的毕业论文的时候，写作之前需要对之前的各种文献资料进行汇总和归纳。这个过程中发现了很多挺不错的论文和相关资源（论文或者工具）。有些资源个人觉得非常有价值，特别是对刚接触这个领域的同学来讲。所以在这里想将这些记录一下，也希望能够对这个领域的同学有些帮助。

视网膜OCT影...]]></description><category></category></item><item><title><![CDATA[深度学习中那些小技巧]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/80202754</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/80202754</guid><author>A_a_ron</author><pubDate>Sat, 05 May 2018 09:43:15 +0800</pubDate><description><![CDATA[引言

本Blog用于记录在深度学习实验中一些需要注意的一些小陷阱、小Trick。防止自己再次入坑。


  本贴长期更新


数据处理



1. 生成的数据集保存成npy文件时过大

在深度学习中，如果我们只有少量数据，则会采用数据扩充方法。比如一张图像扩充成20张。这样的过程汇带来存储空间的不足。后来发现，在numpy中如果不注意的话，经过一定的运算后的数组类型往往是float 类型，而浮点...]]></description><category></category></item><item><title><![CDATA[反卷积(Deconvolution)、上采样(UNSampling)与上池化(UnPooling)]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79181108</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79181108</guid><author>A_a_ron</author><pubDate>Sat, 27 Jan 2018 16:06:18 +0800</pubDate><description><![CDATA[前言

在看图像语义分割方面的论文时，发现在网络解码器结构中有的时候使用反卷积、而有的时候使用unpooling或或者unsampling，查了下资料，发现三者还是有不同的。这里记录一下。

图示理解

使用三张图进行说明： 


图（a）表示UnPooling的过程，特点是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值]]></description><category></category></item><item><title><![CDATA[ROC和AUC]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79051093</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79051093</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 14:13:50 +0800</pubDate><description><![CDATA[转载自http://alexkong.net/2013/06/introduction-to-auc-and-roc/


前言

ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。这篇文章简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。


  本篇]]></description><category></category></item><item><title><![CDATA[特异度（specificity）与灵敏度（sensitivity）]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79051077</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79051077</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 14:11:11 +0800</pubDate><description><![CDATA[前言

在论文阅读的过程中，经常遇到使用特异性（specificity）和灵敏度（sensitivity）这两个指标来描述分类器的性能。对这两个指标表示的含有一些模糊，这里查阅了相关资料后记录一下。



基础知识

考虑一个二分类的情况，类别为1和0，我们将1和0分别作为正类（positive）和负类（negative），则实际分类的结果有4种，表格如下：

 
从这个表格中可以引出一些其它的评]]></description><category></category></item><item><title><![CDATA[OCT病灶分割论文泛读]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79051054</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79051054</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 14:09:08 +0800</pubDate><description><![CDATA[1.Automated Classification between Age-related Macular Degeneration and Diabetic Macular Edema in OCT Image Using Image Segmentation

作者：Jathurong Sugruk, Supaporn Kiattisin and Adisorn Lee1asantitham]]></description><category></category></item><item><title><![CDATA[基于结构化随机森林的DME病灶分割]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79051026</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79051026</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 14:05:12 +0800</pubDate><description><![CDATA[Learning layer-specific edges for segmenting retinal layers with large deformations

作者：S. P. K. KARRI 
来源：2016 BOE 
摘要：本文提出了一种结构化学习算法用于提升传统图论方法的分割效果，该算法同时检测独立的层和对应的边缘。算法基本原理是首先通过结构化随机森林获得层次边缘的概率图，之后使]]></description><category></category></item><item><title><![CDATA[CNN训练过程中的数据扩充方法]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79051001</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79051001</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 14:00:40 +0800</pubDate><description><![CDATA[Training Neural Networks with Very Little Data-A Draft

作者：Hojjat Salehinejad 
来源：Computer Vision and Pattern Recognition 2017 
摘要：深度神经网络是由许多节点层组成的复杂架构，导致大量需要在训练中评估的参数，包括权重、偏差等。相比于简单的架构，更大、更复杂的神经网络需要更]]></description><category></category></item><item><title><![CDATA[OCT图像层次分割相关论文泛读]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79050951</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79050951</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 13:52:44 +0800</pubDate><description><![CDATA[①A Neural Network Approach to Retinal Layer Boundary Identification From Optical Coherence Tomography Images

作者：Kevin McDonough and Ilya Kolmanovsky 
来源：2015 IEEE

  使用神经网络对视网膜图像中的每个像素进行二分类：属于层次中的像素与]]></description><category></category></item><item><title><![CDATA[Keras自定义Loss函数]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79050204</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79050204</guid><author>A_a_ron</author><pubDate>Sat, 13 Jan 2018 12:00:09 +0800</pubDate><description><![CDATA[前言

Keras本身提供了很多常用的loss函数（即目标函数），但这些损失函数都是比较基本的、通用的。有时候我们需要根据自己所做的任务来自定义损失函数，虽然Keras是一个很高级的封装，自定义loss还是比较简单的。这里记录一下自定义loss的方法，一为助记、二为助人。

官方定义的损失函数



第一种方式：自定义一个函数

自定义loss函数之前，我们可以看看Keras官方是如何定义loss]]></description><category></category></item><item><title><![CDATA[TensorFlow函数：tf.where]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79048446</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79048446</guid><author>A_a_ron</author><pubDate>Fri, 12 Jan 2018 21:49:13 +0800</pubDate><description><![CDATA[前言

最近在研究Focal Loss的Keras实现过程中，由于要实现类似交叉熵的函数，需要将label图像中class=1和class=0的位置拿出来，以寻找在该位置对应的CNN预测值。经过百度查找，发现有人使用tf.where来实现这个功能，但看官方文档看来好久（下午+晚上）才看明白这个函数是如何使用的，特在此记录下。


  之后会专门写一篇有关Focal Loss的Keras实现的博客]]></description><category></category></item><item><title><![CDATA[Keras官方示例代码解释（1）：variational autoencoder]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/79004163</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/79004163</guid><author>A_a_ron</author><pubDate>Mon, 08 Jan 2018 16:14:30 +0800</pubDate><description><![CDATA[前言

Keras源码中附有一个examples的文件夹，里面包含一些使用Keras进行编写的常用的神经网络模型，如CNN、LSTM、ResNet等。这些例子基本上是Keras学习入门必看的，作为Keras的学习者，就在这里记录一下examples中的代码解析，一为自身记忆，二为帮助他人。



源码

这里解析的源码是变分自动编码器（variational autoencoder，VAE），其是]]></description><category></category></item><item><title><![CDATA[如何访问sci-hub？（更新于2017年11月26日）]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/78636768</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/78636768</guid><author>A_a_ron</author><pubDate>Sun, 26 Nov 2017 12:51:01 +0800</pubDate><description><![CDATA[引言科研人员查找国外SCI期刊文献，永远是头疼问题。如果在校内网，并且学校图书馆购买了数据库，下载全文还好。但是如果是公网，下载文献的确是个问题。查找全文是个耐心的话，推荐一个下载文献的好地方SCI-Hub，基本上可以下载到很多的全文。虽然，最近各大出版社已将SCI-Hub告上法庭，其在美国的网站已被关闭，目前只有俄罗斯的网站还是活着的。因此，请大家小心使用，不能滥用！仅限科研使用，切不要做商业使用]]></description><category></category></item><item><title><![CDATA[Ubuntu16.04下使用Anaconda配置GPU版本的Keras及TensorFlow]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/78453126</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/78453126</guid><author>A_a_ron</author><pubDate>Tue, 07 Nov 2017 21:03:37 +0800</pubDate><description><![CDATA[前言

本文主要讲解在Ubuntu16.04 LTS系统上通过Anaconda安装配置不同版本的CUDA、CUDNN、TensorFlow以及Keras。在其它版本的Ubuntu上应该也是适用的（没有经过验证）。 
由于需要安装的软件包很多，不同版本之间的适配就是一个比较大的问题，经过尝试采用了下面的搭配：Anaconda 5.0.1+python3.5+CUDA 8.0+CUDNN 6.0 +T...]]></description><category></category></item><item><title><![CDATA[Keras指定使用GPU运算]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/78450672</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/78450672</guid><author>A_a_ron</author><pubDate>Sun, 05 Nov 2017 17:16:25 +0800</pubDate><description><![CDATA[使用CUDA_VISIBLE_DEVICES。此时的运行命令如下：
  CUDA_VISIBLE_DEVICES=1 python train.py]]></description><category></category></item><item><title><![CDATA[Jupyter Notebook及主题更换]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/78358043</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/78358043</guid><author>A_a_ron</author><pubDate>Thu, 26 Oct 2017 20:04:58 +0800</pubDate><description><![CDATA[Jupyter Notebook及主题更换
Jupyter Notebook是一个开源的Web应用程序，可以创建和共享包含实时代码，方程式，可视化和说明文本的文档。 用途包括：数据清理与转换，数值模拟，统计建模，机器学习等等。本身Anaconda安装后会自动装上，但在我们新建一个环境的时候默认是不带Jupyter Notebook的，这里即是在这情况下安装Jupyter。]]></description><category></category></item><item><title><![CDATA[Anaconda离线安装Keras]]></title><link>https://blog.youkuaiyun.com/A_a_ron/article/details/78357937</link><guid>https://blog.youkuaiyun.com/A_a_ron/article/details/78357937</guid><author>A_a_ron</author><pubDate>Thu, 26 Oct 2017 19:54:02 +0800</pubDate><description><![CDATA[Anaconda离线安装Keras
前段时间在windows10下安装好Anaconda和TensorFlow之后，当时没有使用。在最近运行一开源代码时需要安装Keras库，使用Anaconda进行安装。在安装的过程中由于速度实在太过缓慢(；д；)，决定换一种方法进行安装。]]></description><category></category></item></channel></rss>