<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[breezehasai的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/breezehasai</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; breezehasai]]></copyright><item><title><![CDATA[Prompt工程：让AI从“人工智障“变身“人工智能“的魔法咒语]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/158392752</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/158392752</guid><author>breezehasai</author><pubDate>Wed, 25 Feb 2026 21:07:42 +0800</pubDate><description><![CDATA[如果把使用AI比作开车，那Prompt就是方向盘。你转得越精准，AI才能带你去想去的地方；你要是乱打方向，那只能——“恭喜您成功解锁翻车体验卡一张”。Prompt工程的本质：通过精心设计的输入指令，引导大模型输出高质量、高相关性的结果。简单来说，就是如何跟AI说人话。但注意，这里说的"人话"不是我们平时闲聊的"吃了没"，而是结构化、精准化、可执行的人话。还记得《一千零一夜》里的"芝麻开门"吗？一句简单的咒语，就能打开宝藏大门。Prompt工程，就是AI时代的"芝麻开门"。]]></description><category></category></item><item><title><![CDATA[pytorch 图像分类demo]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/130502903</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/130502903</guid><author>breezehasai</author><pubDate>Fri, 05 May 2023 14:03:45 +0800</pubDate><description><![CDATA[【代码】pytorch 图像分类demo。]]></description><category></category></item><item><title><![CDATA[深度学习基本库安装（torch、cuda、cudnn）]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/128147436</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/128147436</guid><author>breezehasai</author><pubDate>Fri, 02 Dec 2022 14:24:31 +0800</pubDate><description><![CDATA[深度学习库安装链接（torch、cuda、cudnn）]]></description><category></category></item><item><title><![CDATA[查看本地WSI图像]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/126192395</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/126192395</guid><author>breezehasai</author><pubDate>Sat, 06 Aug 2022 12:02:39 +0800</pubDate><description><![CDATA[查看本地WSI图像]]></description><category></category></item><item><title><![CDATA[图像分割方法]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/125844091</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/125844091</guid><author>breezehasai</author><pubDate>Mon, 18 Jul 2022 12:57:07 +0800</pubDate><description><![CDATA[图像分割方法]]></description><category></category></item><item><title><![CDATA[形态学（膨胀、腐蚀）]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/125841350</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/125841350</guid><author>breezehasai</author><pubDate>Mon, 18 Jul 2022 10:12:42 +0800</pubDate><description><![CDATA[形态学（膨胀、腐蚀）]]></description><category></category></item><item><title><![CDATA[Ubuntu安装无线网卡驱动]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/125809170</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/125809170</guid><author>breezehasai</author><pubDate>Fri, 15 Jul 2022 17:43:15 +0800</pubDate><description><![CDATA[安装无线网卡驱动]]></description><category></category></item><item><title><![CDATA[图像处理之数据增强]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/125718928</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/125718928</guid><author>breezehasai</author><pubDate>Wed, 13 Jul 2022 10:51:11 +0800</pubDate><description><![CDATA[图像处理之数据增强]]></description><category></category></item><item><title><![CDATA[灰度直方图]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/125718825</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/125718825</guid><author>breezehasai</author><pubDate>Mon, 11 Jul 2022 12:08:04 +0800</pubDate><description><![CDATA[灰度直方图]]></description><category></category></item><item><title><![CDATA[openslide]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/123939817</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/123939817</guid><author>breezehasai</author><pubDate>Sun, 03 Apr 2022 17:22:56 +0800</pubDate><description><![CDATA[在医学图像中，通常使用数字扫描仪将病理图像存储到计算机上，即幻灯片的数字版本称为WSI(whole slide image)。因为WSI的分辨率比较大，常规处理方法通常无法完成对其进行处理，所以需要借助openslide库进行处理。
官方文档: https://openslide.org/api/python/#module-openslide

1、安装openslide
sudo apt-get install openslide-tools

pip install python-openslide
]]></description><category></category></item><item><title><![CDATA[Clinical-grade computational pathology using weakly supervised deep learning on whole slide images]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/123575386</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/123575386</guid><author>breezehasai</author><pubDate>Fri, 18 Mar 2022 19:16:08 +0800</pubDate><description><![CDATA[2019年 nature medicine
代码：https://github.com/MSKCC-Computational-Pathology/MIL-nature-medicine-2019
**动机：**由于病理图像所使用的WSI（Whole Slide Images）图像分辨率较大，所以在处理WSI图像时，通常会将一张WSI图像分为若干小切片进行训练。
与其他领域相比，计算病理学必须面对与病理学数据性质相关的额外挑战。大型带注释的数据集的缺乏比其他领域更加严重。利用病理学数据集的特性，计算病理学的]]></description><category></category></item><item><title><![CDATA[混淆矩阵相关概念]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121901700</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121901700</guid><author>breezehasai</author><pubDate>Mon, 13 Dec 2021 12:07:02 +0800</pubDate><description><![CDATA[https://www.bilibili.com/video/BV1GV411C7AW?spm_id_from=333.999.0.0
混淆矩阵
混淆矩阵是评判模型结果的一种指标，属于模型评估的一部分，常用于评判分类器模型的优劣。

每一列对应所属于该类的所有验证样本
每一行对应预测属于该类的所有样本
混淆矩阵可以比较直观的看出哪些类别预测效果好(差)

TP：True Positive
FN：False Negative
FP：False Positive
TN：True Negative

准确率 针对]]></description><category></category></item><item><title><![CDATA[医疗影像的三大挑战]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121886198</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121886198</guid><author>breezehasai</author><pubDate>Sun, 12 Dec 2021 16:05:28 +0800</pubDate><description><![CDATA[Class Imbalance

Weighted Loss

wp=numnegativenumtotalw_p =  \frac{num_{negative}}{num_{total}} wp​=numtotal​numnegative​​
wn=numpositivenumtotalw_n =  \frac{num_{positive}}{num_{total}} wn​=numtotal​numpositive​​

Resampling


Muilt-task
https://blog.csdn]]></description><category></category></item><item><title><![CDATA[Image与cv2]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121657111</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121657111</guid><author>breezehasai</author><pubDate>Wed, 01 Dec 2021 15:51:21 +0800</pubDate><description><![CDATA[cv2图片打开与保存
# 读取图片
cv2.imread(image_path)
# (图片存放路径，处理后的图片)，在保存时应注意加后缀（.jpg）
cv2.imwrite(new_path, new_image)

Image图片打开与保存
# 读取图片
image = Image.open(image_path)
# 保存图片
image.save("./results/image_save_20200509.jpg")

cv2与Image的格式转换：
（1）cv2转Image
import cv2]]></description><category></category></item><item><title><![CDATA[python类中的单下划线与双下划线]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121435911</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121435911</guid><author>breezehasai</author><pubDate>Sat, 20 Nov 2021 10:39:05 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/phpper/p/10618775.html
我们先看个详细的例子(注意双下划线name和age定义为私有变量)：
class Person(object):
    def __init__(self, name, age):
	    self.__name = name
        self.__age = age    
    def get_age_fun(self):
    	return self.__age
    def set_ag]]></description><category></category></item><item><title><![CDATA[数据预处理]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121418395</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121418395</guid><author>breezehasai</author><pubDate>Sat, 20 Nov 2021 10:28:31 +0800</pubDate><description><![CDATA[1. 获得一批数据集，先把数据集转成能够处理的格式。
对于mat数据集，可以用scipy处理，scipy处理不了的，用h5py进行处理
2. 监督学习的，先将数据分好类，分别保存在各自文件夹下
ImageFolder：Supported extensions are: .jpg, .jpeg, .png, .ppm, .bmp, 		     .pgm, .tif, .tiff, .webp**
3. cv2
https://www.cnblogs.com/shizhengwen/p/8719062.htm]]></description><category></category></item><item><title><![CDATA[warm up]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121116734</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121116734</guid><author>breezehasai</author><pubDate>Wed, 03 Nov 2021 12:32:19 +0800</pubDate><description><![CDATA[Warmup是在ResNet论文中提到的一种学习率预热的方法，它在训练开始的时候先选择使用一个较小的学习率，在预热的小学习率下，模型可以慢慢趋于稳定,等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，再修改为预先设置的学习来进行训练。

有助于减缓模型在初始阶段对mini-batch的提前过拟合现象，保持分布的平稳
有助于保持模型深层的稳定性

from torch.optim.lr_scheduler import _LRScheduler
 
class WarmUpLR(_LR]]></description><category></category></item><item><title><![CDATA[pytorch四种学习率衰减策略]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/121002149</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/121002149</guid><author>breezehasai</author><pubDate>Thu, 28 Oct 2021 19:27:08 +0800</pubDate><description><![CDATA[MultiStepLR()

torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)
drop_after_epoch = [3, 5, 7]
scheduler = optim.lr_scheduler.MultiStepLR(opti, milestones=drop_after_epoch, gamma=0.333, last_epoch=-1)
说明：
1）milestones为一个.]]></description><category></category></item><item><title><![CDATA[torch.nn.init中常用的几种方法]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/120490253</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/120490253</guid><author>breezehasai</author><pubDate>Sun, 26 Sep 2021 16:09:32 +0800</pubDate><description><![CDATA[从均匀分布U(a, b)中生成值，填充输入的张量或变量
# 服从 U(a, b)
torch.nn.init.uniform(tensor, a=0, b=1)
w = torch.Tensor(3, 5)
print nn.init.uniform(w)

从给定均值和标准差的正态分布N(mean, std)中生成值，填充输入的张量或变量
# 服从 N(mean,std)
torch.nn.init.normal(tensor, mean=0, std=1)
w = torch.Tensor(3, 5)
]]></description><category></category></item><item><title><![CDATA[吴恩达第二周编程作业补充]]></title><link>https://blog.youkuaiyun.com/breezehasai/article/details/115695891</link><guid>https://blog.youkuaiyun.com/breezehasai/article/details/115695891</guid><author>breezehasai</author><pubDate>Wed, 14 Apr 2021 16:31:26 +0800</pubDate><description><![CDATA[吴恩达第二周编程作业补充

209表示训练集数量，64表示长宽，3表示RGB
50表示测试集数量
shape[0]，shape[1]，shape[2]，shape[3]
1、测试集与训练集的划分：

避免过拟合（在训练集表现的好，测试集表现的不好），在训练集上训练模型，在测试集上评估模型的泛化能力。
预测值和实际值的差别用来衡量模型的预测性能。

2、压缩像素
org代表预处理，机器学习中一个常见的预处理步骤是对数据集进行居中和标准化，这意味着可以减去每个示例中整个numpy数组的平均值，然后将每个示例除以]]></description><category></category></item></channel></rss>