Joker 007的博客

深度学习模型更新公式全解析：从原理到训练调优

最常见的就是出现了除0或者log0这种，看看代码中在这种操作的时候有没有加一个很小的数，但是这个数数量级要和运算的数的数量级要差很多。在optim.step()之前裁剪梯度。

https://cloud.tencent.com/developer/article/1160636

Pytorch的hook技术——获取预训练/已训练好模型的特定中间层输出

深度学习验证指标计算Torchmetrics包

检测任务评估指标

深度学习模型大小与模型推理速度的深度探讨

参考博客：【机器学习笔记】：一文让你彻底理解准确率，精准率，召回率，真正率，假正率，ROC/AUC一、准确率，精准率，召回率1.TP、TN、FP、FN概念P（Positive）：代表1N（Negative）：代表0T（True）：代表预测正确F（False）：代表错误以上四种情况可理解为：先看 ①预测结果（P/N），再根据②实际表现对比预测结果，给出判断结果（T/F）。如：TP： 预测为1，预测正确，即实际1FP： 预测为1，预测错误，即实际0FN： 预测为0，预测错误，即实际1

在医学图像上经常使用的一个Python库SimpleITK，下面介绍其常用的函数:

最近在处理一批.tif格式的数据，但是由于设备导出的数据是16位图，因此一般图片查看器打开都是一片黑。采用opencv实现16位tif图转换成8位图

图片的切分import os.pathfrom PIL import Imageimport sysimport torchvision.transforms as transforms# 图片的切块def cut_image(image, patch_num): width, height = image.size item_width = int(width / patch_num) box_list = [] # (left, upper, right,

import torchimport pickleimport numpy as npmodel_path = r'./sVGG16.pkl' # 模型参数路径 dummy_input = torch.randn(1, 3, 256, 256) # 先随机一个模型输入的数据model = sVGG16() # 定义模型结构，此处是我自己设计的模型checkpoing = torch.lo

当我们使用 sklearn.metric.classification_report 工具对模型的测试结果进行评价时，会输出如下结果：对于 精准率（precision ）、召回率（recall）、f1-score，他们的计算方法很多地方都有介绍，这里主要讲一下micro avg、macro avg 和weighted avg 他们的计算方式。1、宏平均 macro avg:对每个类别的 精准、召回和F1 加和求平均。精准macro avg=(P_no+P_yes) / 2=(0.24+0.73)

参考链接Positional Encodings in ViTs 近期各视觉Transformer中的位置编码方法总结及代码解析 1个人觉得比较好的博客和视频：1.【一位大佬的博客，里面关于数学推导的内容较多】Sinusoidal 位置编码追根溯源对应的视频：Transformer 位置编码追根溯源；2.另外一个讲解视频Transformer的位置编码（Position Encoding）进展梳理视频对应的手稿：...

在做分类问题时我们经常会遇到这几个交叉熵函数：cross_entropy、binary_cross_entropy和binary_cross_entropy_with_logits。那么他们有什么区别呢？下面我们就来探讨一下：1.torch.nn.functional.cross_entropydef cross_entropy(input, target, weight=None, size_average=None, ignore_index=-100, re

PyTorch 从 1.2.0 版本开始，正式自带内置的 Tensorboard 支持了，我们可以不再依赖第三方工具来进行可视化。本文将介绍 PyTorch 1.2.0 中自带 Tensorboard 的基本使用方法。安装PyTorch 的版本需要 1.2.0 ：pip install --upgrade torch torchvision然后安装 Tensorboard 1.14 ：pip install tensorboard安装完成后，引入响应包：Python 3.7.4 (def

参考博客：颜色空间总结数字图像处理之6大颜色空间

随着机器学习问题不断深入人心，人们也将现实中遇到不同的问题分为不同的学习方式，其中，最基础的应属监督学习，无监督学习和强化学习了。监督学习(supervised learning)：已知数据和其一一对应的标签，训练一个智能算法，将输入数据映射到标签的过程。监督学习是最常见的学习问题之一，就是人们口中常说的分类问题。比如已知一些图片是猪，一些图片不是猪，那么训练一个算法，当一个新的图片输入算法的时候算法告诉我们这张图片是不是猪。无监督学习(unsupervised learning)：已知数据不知道任何标

opencv读入JPG图片的颜色顺序是BGR(blue, green, red)skimage读入JPG图片颜色顺序是RGBmatplotlib在plt的时候是默认RGB显示的，所以img = cv2.imread(path)img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)print(img)plot.imshow(img) plot.show()此时显示的图片依旧是绿色的代码改成：img = cv2.imread(path) # 读取图片i

Pillow的使用-Image篇Image官方文档介绍链接PIL的Image.open()读入图片后并不是numpy数组array格式，而是Image格式。这对于后面图像处理以及神经网络读入图片数据会带来麻烦，例如用卷积神经网络读入数据一般以数组格式输入，有时需要将代表图片的矩阵形状进行转换，此时PIL的Image.open()读入的格式是不能用reshape方法的。处理方式其实很简单，用np.array()函数直接进行转换就可以。示例代码：将变成array的图片矩阵变回Image对象，使用Ima

写入方式(一)——xlwtxlwt(excel write)是一个用于将数据写入excel中的库，这个库只能用于写较老的excel文件(.xls格式)，无法写.xlsx格式文件，并且无法修改一个已有的excel文件。该方法写入时，只能循环一个一个数据写入，比如数组无法一次性写入行import xlwtimport numpy as npa = [[1,2,3],[4,5,6],[7,8,9]]ar = np.array(a)book = xlwt.Workbook() # 创建Excel

报错代码如下：OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.OMP: Hint This means that multiple copies of the OpenMP runtime havebeen linked into the program. That is dangerous, since it can degradeperformance or

深度学习模型保存模型参数的方法有两种：1.保存整个网络(模型结构+模型参数)：# 保存整个模型和参数torch.save(model_object, 'convit_tiny.pth') # 对应的加载模型代码为model = torch.load('convit_tiny.pth')print(model)此时print的是整个网络的模型结构;若要加载模型的参数：model = torch.load('convit_tiny.pth')args = model.stat

参考博客：pytorch建立自己的数据集Dataset

.pkl文件是python保存文件的一种文件格式，如果直接打开会显示一堆序列化的东西。需要使用rb类型来打开rb – 读取2进制文件，r – 读取文本文件# cPickle是python2系列用的，3系列已经不用了，直接用pickle就好了import pickledata = pickle.load( open('a.pkl','rb')) #记得加上'rb'print(data)...

参考博客：pytorch 分布式训练 distributed parallel 笔记

描述super() 函数是用于调用父类(超类)的一个方法。super() 是用来解决多重继承问题的，直接用类名调用父类方法在使用单继承的时候没问题，但是如果使用多继承，会涉及到查找顺序（MRO）、重复调用（钻石继承）等种种问题。MRO 就是类的方法解析顺序表, 其实也就是继承父类方法时的顺序表。语法以下是 super() 方法的语法:super(type[, object-or-type])参数type -- 类。object-or-type -- 类，一般是 selfPython

深度学习可视化解释的显著性map学习笔记(1)CAM(Classification Activation Mapping,类激活图)。目的在于定位出图像上的哪些区域帮助CNN完成了图像的分类。普通的CNN网络，一般分成特征提取和特征分类两大模块，CAM的实现为对输出的特征进行GAP(Global Average Pooling)，得到数量等于输出channel数的一个向量。后面再接一个全连接层，输入神经元数量等于feature的channel数，输出神经元的数量等于数据集的类别数。这样的网络训练完成图像

1. 概述在使用Numpy的时候，有时候会遇到下面的错误：AttributeError: incompatible shape for a non-contiguous array看报错的字面意思，好像是不连续数组的shape不兼容。有的时候，在看别人代码时会看到ascontiguous()这样的一个函数，查文档会发现函数说明只有一句话：“Return a contiguous array (ndim >= 1) in memory (C order).”光靠这些信息，似乎没能道出Num

Pytorch学习日志、思维导图原件以及代码可在此处下载：https://download.youkuaiyun.com/download/Joker00007/20439865

链接：https://www.jianshu.com/p/46eb3004beca

参考博客：https://blog.youkuaiyun.com/dreaming_coder/article/details/106833727

描述filter() 函数用于过滤序列，过滤掉不符合条件的元素，返回由符合条件元素组成的新列表。该函数接收两个参数，第一个为函数，第二个为序列，序列的每个元素作为参数传递给函数进行判断，然后返回 True 或 False，最后将返回 True 的元素放到新列表中。语法filter(function, iterable)参数function – 判断函数；iterable – 可迭代对象返回值返回列表代码示例a = 'dade142.;!0142f[.,]ad'filter(str.

一、查和改1.通过下标访问 array[0][0] array[0,1]2.通过下标修改array[0][0] = 1array[0,0] = 2二、增1.增加一列（1）通过np.c_[a,b]方式import numpy as npa = np.array([[1,2,3],[4,5,6],[7,8,9]]) b = np.array([2,5,8])print(np.c_[a,b]) 输出：[[1 2 3 2] [4 5 6 5] [7 8 9 8]]（2

1. 首先确保所在目录是Python Package而不是一般的New Stratch File，或者是普通的Directory也可以；Python Package下有__init___.py或自己建空的__init___.py2. pycharm不会将当前文件目录自动加入自己的sourse_path。所以，此时，我们对当前目录（Package）点击右键，选择make_directory as–>sources path将当前工作的文件夹加入source_path就可以了。...

参考链接：https://zhuanlan.zhihu.com/p/91839581

1.百度智能云图像增强和特效API链接如下：https://cloud.baidu.com/product/imageprocess/enhancement图像增强与特效的SDK文档链接：https://cloud.baidu.com/doc/IMAGEPROCESS/s/Wk3bcltfa2.功能接口介绍：官网链接：https://ai.baidu.com/ai-doc/IMAGEPROCESS/Uk3bcltn43.步骤(1) 在百度智能云注册账号；(2) 然后在线申请应用，获得App

参考文章：https://www.cnblogs.com/ranjiewen/p/10128046.html

一、卷积中的相关函数的参数定义如下：in_channels(int) – 输入信号的通道out_channels(int) – 卷积产生的通道kerner_size(int or tuple) - 卷积核的尺寸stride(int or tuple, optional) - 卷积步长padding (int or tuple, optional)- 输入的每一条边补充0的层数dilation(int or tuple, optional) – 卷积核元素之间的间距groups(int, opt

问题描述1：shapely [WinError 126]找不到指定的模块解决方案先将位于Anaconda3\Lib\site-packages的shapely文件删除然后去https://www.lfd.uci.edu/~gohlke/pythonlibs/#shapely下载自己系统对应的.whl如我的python是3.7，64位，则下载Shapely‑1.7.0‑cp37‑cp37m‑win_amd64.whl定要下载对，不然会出现 … is not a supported whe