<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dgh_dean的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dgh_dean</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dgh_dean]]></copyright><item><title><![CDATA[【caffe源码阅读】1.im2col]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/77964496</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/77964496</guid><author>dgh_dean</author><pubDate>Wed, 13 Sep 2017 13:23:02 +0800</pubDate><description><![CDATA[im2col.cpp
实习结束，终于有时间好好分析一个caffe源码了。
做个记录，免得以后要改caffe代码时忘了。
挑一些需要理解的算法型函数记录一下，也算监督自己了，希望能坚持下去。
关于im2col的算法引用自：这里
关于dilation卷积引用自：这里
将二维顺序排列的图像矩阵作变换，转换到一维连续空间中。主要目的是将输入矩阵与卷积核的卷积操作转换成矩阵乘法操作，方便使用op]]></description><category></category></item><item><title><![CDATA[Keras限制GPU显存使用]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/73302690</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/73302690</guid><author>dgh_dean</author><pubDate>Thu, 15 Jun 2017 21:44:36 +0800</pubDate><description><![CDATA[深度学习门槛越来越低，尤其是Keras这样的高层次API加入以后，简单几行代码就能构建网络并得到不错的效果。
最近工作需要，开始使用Keras写3DConv做3D数据分类。
数据是肺部CT，目标是对检测网络得到的结果使用3D Conv网络做2分类。2D的检测网络获得肺部结节的ROI，但是由于二维上结节目标与肺部正常组织结构（如血管，气管等）特征类似，所以检测结果中包含了大量“假阳”，所以在检测]]></description><category></category></item><item><title><![CDATA[LIDC数据集肺区分割]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/58109531</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/58109531</guid><author>dgh_dean</author><pubDate>Mon, 27 Feb 2017 15:40:22 +0800</pubDate><description><![CDATA[在使用LIDC数据集做肺结节检测时对肺区进行分割后效果会好很多，主要是减少肺区以外的组织对检测的干扰。
方法比较简单：


首先是阈值分割，设置CT值为480HU作为阈值对CT图像进行分割，得到二值图像，然后使用flood fill填充方法对肺区以外的部分进行填充，接下来使用形态学方法腐蚀掉肺区中的残余部分，最终将得到的结果作为掩模与原图像叠加得到肺区图像。
MATLAB代码：

d]]></description><category></category></item><item><title><![CDATA[一场奇怪的面试，TensorFlow 实现FizzBuzz]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/54575778</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/54575778</guid><author>dgh_dean</author><pubDate>Mon, 16 Jan 2017 17:14:52 +0800</pubDate><description><![CDATA[在某大神博客看到一篇翻译文章，实在有意思，原文链接：http://blog.topspeedsnail.com/archives/11010


话说Fizz Buzz是什么鬼？


Fizz Buzz是洋人小朋友在学除法时常玩的游戏，玩法是：从1数到100，如果遇见了3的倍数要说Fizz，5的倍数就说Buzz，如果即是3的倍数又是5的倍数就说FizzBuzz。

最后演变为一个编]]></description><category></category></item><item><title><![CDATA[使用MXNet fine-tuning之GoogleNet]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/54571206</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/54571206</guid><author>dgh_dean</author><pubDate>Mon, 16 Jan 2017 09:27:45 +0800</pubDate><description><![CDATA[1.使用caffe中的GoogleNet模型进行fine-tuning
使用mxnet/tools/caffe_convert/convert_model.py进行模型和参数的转换：
python convert_model.py /path/GoogleNet.paramtxt /path/GoogleNet.caffemodel /path/googlenet
其中对于脚本convert]]></description><category></category></item><item><title><![CDATA[MXNet数据生成]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53927894</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53927894</guid><author>dgh_dean</author><pubDate>Thu, 29 Dec 2016 14:49:31 +0800</pubDate><description><![CDATA[MXNet生成数据

首先生成list文件，包括数据的label，index以及path：
--list=true 
是说明我们要生成list
--train-ratio=0.8 
我们把 80% 的数据用来作为训练数据,
剩下的 20%
自动作为 validation
--recursive=true 
迭代地去找图片
/home/gpudouble1/mxnet/ exa]]></description><category></category></item><item><title><![CDATA[ubuntu挂载新硬盘]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53905804</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53905804</guid><author>dgh_dean</author><pubDate>Wed, 28 Dec 2016 10:12:21 +0800</pubDate><description><![CDATA[遇到需要新添加硬盘挂载的问题。
先使用sudo fdisk -l查看新加硬盘的编号，例如:/dev/sdb
当新加硬盘不大于2TB时：
然后用sudo fdisk /dev/sdb进入操作新加硬盘的选项
使用m查看菜单选项
输入n选项，添加新的分区
输入p添加主分区
输入分区索引，例如1，则是分配/dev/sdb1
后面默认，最后输入w写入分好的设定
当新加硬盘大于2TB时：
]]></description><category></category></item><item><title><![CDATA[pip国内镜像]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53905778</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53905778</guid><author>dgh_dean</author><pubDate>Wed, 28 Dec 2016 09:44:15 +0800</pubDate><description><![CDATA[pipy国内镜像目前有：




http://pypi.douban.com/  豆瓣

http://pypi.hustunique.com/  华中理工大学

http://pypi.sdutlinux.org/  山东理工大学

http://pypi.mirrors.ustc.edu.cn/  中国科学技术大学

对于pip这种在线安装的方式来说，很方便，但网络]]></description><category></category></item><item><title><![CDATA[【CUDA自带实例学习】2.锁页内存]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53133080</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53133080</guid><author>dgh_dean</author><pubDate>Fri, 11 Nov 2016 20:58:54 +0800</pubDate><description><![CDATA[#include "cuda_runtime.h"
#include "device_launch_parameters.h"
#include 
#include 
using namespace std;
#define ARR_LEN 4096
void checkErr(cudaError_t err,const char* err_info)//检查正确sing
{
	if (err!=]]></description><category></category></item><item><title><![CDATA[【CUDA学习笔记】4.锁页内存（pinned memory or page locked memory）]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53130871</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53130871</guid><author>dgh_dean</author><pubDate>Fri, 11 Nov 2016 17:39:05 +0800</pubDate><description><![CDATA[主机端存在虚拟内存，主机内存不足是会将内存数据交换到虚拟内存中，虚拟内存就是主机中的磁盘空间，需要该页时再重新从磁盘加载回来。这样做可以使用比实际内存更大的内存空间。
锁页内存允许GPU上的MDA控制器在使用主机内存时不用CPU参与。GPU上的显存都是锁页的，因为GPU上的内存时不支持交换到磁盘的。锁页内存就是分配主机内存时锁定该页，让其不与磁盘交换。
CUDA中锁页内存的使用可以使用CUDA]]></description><category></category></item><item><title><![CDATA[【CUDA学习笔记】3.纹理引用API]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53126796</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53126796</guid><author>dgh_dean</author><pubDate>Fri, 11 Nov 2016 10:50:18 +0800</pubDate><description><![CDATA[纹理引用API
纹理引用是编译时确定的（相对于纹理对象的运行时确定），私以为大概就对应着面向过程的编程方式（C）以及面向对象的编程方式（C++）。
CUDA programing guide里给的例子：
texture texRef;
很好懂，DataType就是指定纹理中的数据元素的类型；
Type是纹理引用的类型，包括一维纹理cudaTextureType1D，二维纹理cudaTex]]></description><category></category></item><item><title><![CDATA[【cuda学习笔记】2.纹理对象API的使用，实现sobel边缘检测]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53112785</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53112785</guid><author>dgh_dean</author><pubDate>Thu, 10 Nov 2016 09:56:36 +0800</pubDate><description><![CDATA[纹理对象API
使用cudaCreateTextureObject()函数从一个用来指定纹理并从纹理类型定义而来的资源描述类型结构（resource description of type struct）cudaResourceDesc建立纹理对象。
struct cudaTeextureDesc
{
enum cudaTextureAddressMode addess_mode[3];]]></description><category></category></item><item><title><![CDATA[【CUDA学习笔记】1.纹理内存]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53097934</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53097934</guid><author>dgh_dean</author><pubDate>Wed, 09 Nov 2016 11:36:22 +0800</pubDate><description><![CDATA[并没有一个专门的显存空间作为纹理内存，而是数据以一维、二维或者三维数组的形式存储在显存中，可以通过缓存加速访问的内存，并且可以声明大小比常数存储器要大的多。
调用纹理获取函数读取纹理的过程称为纹理获取（texture fetch）。每一个纹理获取都需要指定一个参数，如果使用纹理对象API则该参数称为纹理对象，使用纹理引用API时称为纹理引用参数。
·纹理是被获取的一块纹理内存。纹理对象在运行时]]></description><category></category></item><item><title><![CDATA[【CUDA自带实例学习】1.快速排序]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/53086172</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/53086172</guid><author>dgh_dean</author><pubDate>Tue, 08 Nov 2016 19:28:57 +0800</pubDate><description><![CDATA[自带的实例较多无意义代码，包括选择是否显示随机初始化的待排序数组，选择是否显示设备信息等代码，较为简单，从略。
实际在设备上排序的代码一共两个：
__device__ void selection_sort(unsigned int *data,
int left, 
int right)
__global__ void cdp_simple_quicksort(unsigned int]]></description><category></category></item><item><title><![CDATA[mysql安装问题]]></title><link>https://blog.youkuaiyun.com/dgh_dean/article/details/52818085</link><guid>https://blog.youkuaiyun.com/dgh_dean/article/details/52818085</guid><author>dgh_dean</author><pubDate>Fri, 14 Oct 2016 18:22:11 +0800</pubDate><description><![CDATA[在安装 mysql-python时，会出现：


sh: mysql_config: not found
Traceback (most recent call last):
  File "setup.py", line 15, in 
    metadata, options = get_config()
  File "/home/zhxia/apps/source/MySQL-py]]></description><category></category></item></channel></rss>