影子

在峰值检测任务中，我们通常希望模型能够输出一个与输入信号长度相同的序列，其中峰值位置被突出显示（例如，用高斯平滑后的峰值作为目标）。：例如，在生物医学信号处理中，如ECG（心电图）中的心跳检测、EEG（脑电图）中的事件检测、EMG（肌电图）中的肌肉活动定位等。：在一维信号中检测特定的峰值或事件，例如，在振动分析中检测故障冲击，在音频处理中检测语音活动，在金融时间序列中检测异常点。目标：在随机位置添加了峰值，并经过高斯平滑，模拟真实的峰值形状（不是理想的脉冲，而是有一定的宽度）。

将卷积核放在输入矩阵的左上角，覆盖2x2的区域：[[1,2],[4,5]]，对应位置相乘并求和：1*1 + 2*0 + 4*0 + 5*(-1) = 1 - 5 = -4。位置0: 覆盖x[0:3] = [1,3,2] -> 1*1 + 3*0 + 2*(-1) = 1-2 = -1。位置1: 覆盖x[1:4] = [3,2,4] -> 3*1 + 2*0 + 4*(-1) = 3-4 = -1。第四个位置: 4*1 + 5*0 + 1*(-1) = 4-1=3。

x = torch.cat([x2, x1], dim=1) # 拼接编码器和解码器特征。x1: [batch, 64, 1024] ← 保存用于跳跃连接。x5: [batch, 1024, 64] # 最深层特征。UNet是一个对称的网络结构，左侧为下采样，右侧为上采样。x2: [batch, 128, 512] ← 保存。x3: [batch, 256, 256] ← 保存。x4: [batch, 512, 128] ← 保存。输入: [batch, 1, 1024]

模型的训练和保存：#图像识别之猫狗分类实战import torchimport torch.nn as nnimport torch.optim as optimfrom torchvision import datasets,transforms,modelsfrom torch.utils.data import DataLoaderimport sys#数据预处理transform是做数据增强的transform=transforms.Compose([ transfor

ImageNet介绍：这个是举行的图片识别的比赛，到2015年就停止了RNN介绍：（序列化数据的循环神经网络）LSTM介绍：（长短时记忆循环神经网络）（适合训练大样本数据）GRU：（门控网络）2014年才开发出来和LSTM差不多，参数比较少双向的GRU：实线代表从左到右，虚线代表从右往左多层RNNsLSTM训练mnist手写数字例子：#使用LSTM序列化循环网络训练mnsit手写数字#使用卷积进行mn

感受野的概念：卷积核概念：（有不同的卷积核和不同的步长）卷积的池化：（最大值池化、平均值池化、随机值池化），经常使用的就是max-pooling最大池化SAME PADDING：表示给卷积外部补零VALID PADDING：表示不超出平面外部，卷积不足的时候就停止列子：LENET5介绍：具体的演示请参考：（2d和3d的演示卷积过程）可视化：http://scs.ryerson.ca/~aharley/vis/conv/http://scs.ry

win10+pycharm3.9运行face_recognition,搞了一周终于成功运行！！网上差了很多资料，没办法解决，算了我自己慢慢来解决一下。解决掉了，事实证明坚持就能有回报哈！！！

scikit-image 是一个功能全面且易于使用的图像处理库，特别适合学术研究和原型开发。它与 NumPy、SciPy 和 Matplotlib 完美集成，是 Python 科学计算生态系统中的重要组成部分。

深度学习领域里面俩个重要的思想方法

干网络对抗原理图示

【代码】gan对抗网络的测试代码。

【代码】pytorch自定义数据集分类resnet18迁移学习分类。

【代码】pytorch自定义数据集分类resnet18。

E:\开发工具\pythonProject\studyLL\venv\Scripts\python.exe E:/开发工具/pythonProject/studyLL/pytorch01/predict.py。

tensorboard --logdir=httdemo/logs --port=6007#自己制定显示的端口号。# 功能：添加 matplotlib 图片到图像中。# 功能：图像中绘制 Box，目标检测中会用到。# 功能：从原始数据上绘制 PR 曲线。# 功能：记录 video。# 功能：绘制 PR 曲线。

早起模型和现在比较：和上面的是等价的。

官网：https://keras.io/api/applications/一些使用的列子： ResNet50：分类预测VGG16：用作特征提取器时，不需要最后的全连接层，所以实例化模型时参数 include_top=False网上例子解释：VGG19：Fine-tune InceptionV3：微调训练一个新类别Build InceptionV3：自定义tensor，输入V3

傅里叶过程是可逆的图像经过傅里叶变换、逆变换后，能够恢复原始图像。傅里叶得到低频、高频信息，针对低频、高频处理能够实现不同的目的。在频域对图像进行处理，在频域的处理会反映在逆变换图像上。

高频对应着图像内变化越来越快的灰度分量，是由灰度的尖锐过度造成的，列如，在一副大草原的图像中，其中狮子的边缘等信息。列如，在一副大草原上的图像中，低频对应着广袤的颜色趋于一致的草原。衰减低频而通过高频，高通滤波器，将增强尖锐的细节，但是会导致图像的对比度降低。特殊目的：图像增强、图像去燥、边缘检测、特征提取、压缩、加密等。效果展示：左边是原始图像，右边是滤掉低频的图像。衰减高频而通过低频，低通滤波器，将模糊一幅图像。代码：高频滤波，中心部分设置成0。代码：低频滤波，中心部分设置成1。

转换标识：flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列。原始图像：输入图像要首先转换成np.float32格式，np.float32(img)返回结果：是双通道的，第一个通道是结果的实数部分，第二个通道是结果的虚数部分。返回结果=cv2.dft(原始图像，转换标识)

RNN循环网络的理解和实践

主要通过自定义网络求解一个CIRF100的RESNet过程，记录和学习其中的原理

CNN网络的发展过程相述，包括LeNet-5、AlexNet、VGG-Net、到GoogleNet，在做图像语义分割的时候会介绍FCNet

Keras自定义网络，CIFAR10实战

对VGGnet的学习过程

一张灰度图像，就是一个单通道，h*w*1表示高和宽和1通道，每个像素值范围0-255，只有宽和高的图像就是2d矩阵，可以表示成0-1或者0-255，0表示黑色，255表示白色。彩色图像RGB或者BGR是3通道，h*w*3，是一个张量。