lwf1881的博客

Dice损失在医学图像分割任务中使用得极多，用于度量两个集合得相似性，dice系数的定义如下：DiceCoefficient=2∣A∩B∣∣A∣+∣B∣Dice Coefficient = \frac{2|A\cap B|}{|A| + |B|} DiceCoefficient=∣A∣+∣B∣2∣A∩B∣​Dice 损失等于1-dice系数Diceloss=1−DiceCoefficientDice loss = 1-Dice CoefficientDiceloss=1−DiceCoeffic

介绍虽然说咱也不知道这个Grad-CAM的数学理论是如何推导的，但是在看论文的时候发现很多论文里面都用了Grad-CAM来可视化模型的特征图，用来显示网络对ROI区域的捕捉。想详细了解的话看一下B站大佬噼里啪啦的讲解视频。推荐代码code:https://github.com/jacobgil/pytorch-grad-cam安装pytorch-grad-cam ：pip install grad-cam官方给的例子：自己的尝试我试着使用这个仓库来可视化我的vit模型，做的是一个五分类的

模型介绍文章链接：https://arxiv.org/pdf/2010.11929.pdfgithub地址：视频教程：https://www.bilibili.com/video/BV1Jh411Y7WQ?spm_id_from=333.337.search-card.all.click是B站大佬霹雳吧啦Wz的讲解视频，讲得特别好，我的代码也是完全按照他的代码抄的，自己抄一遍代码对Vision Transformer的理解会更深刻，很多模型细节看论文中是感受不到的，例如embedding的方法。Vis

CIFAR10数据集介绍CIFAR10数据集包括10类图像，每张图像的大小为32*32，包含如上图的十个类别的对象。每个类都包含6000张图片，总共有60000张图片，数据集平衡。其中，训练组图像包含50000张图片，测试集包含10000张图像。数据集的下载数据集地址：http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz也可以使用pytorch中的方法来获取数据集：trainset = torchvision.datasets.CIFAR1

完整代码链接：https://github.com/SPECTRELWF/pytorch-cnn-study网络介绍：Alexnet网络是CV领域最经典的网络结构之一了，在2012年横空出世，并在当年夺下了不少比赛的冠军，下面是Alexnet的网络结构：网络结构较为简单，共有五个卷积层和三个全连接层，原文作者在训练时使用了多卡一起训练，具体细节可以阅读原文得到。Alexnet文章链接：http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf作者在网络

网络介绍：Alexnet网络是CV领域最经典的网络结构之一了，在2012年横空出世，并在当年夺下了不少比赛的冠军，下面是Alexnet的网络结构：网络结构较为简单，共有五个卷积层和三个全连接层，原文作者在训练时使用了多卡一起训练，具体细节可以阅读原文得到。Alexnet文章链接：http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf作者在网络中使用了Relu激活函数和Dropout等方法来防止过拟合，更多细节看文章。数据集介绍使用的是MNIST手

进入到研究生阶段了，从头学一下Pytorch，在这个小破站上记录一下自己的学习过程。本文使用的是Pytorch来做手写数字的识别。step0：先引入一些相关的包和库import torchfrom torch import nnfrom torch.nn import functional as Ffrom torch import optimimport torchvisionfrom matplotlib import pyplot as pltfrom utils import

这个任务是自己在项目中数据处理的一部分内容，待处理的图片如下所示：我需要将目标区域给裁剪出来，要不然在后期训练网络的时候整幅图像过大，且目标区域过小，得到结果不好，还会加剧计算量。在网上找了各个大佬的博客看，没找到合适的，便自己动手写了，顺便自己的小破站刚搭建起来，记录一下自己的思路。思路去寻找目标区域的最左边，最右边，最上面和最下面的像素点，取到坐标信息以后用CV2的裁剪一下就可以实现了。#难点数据总共是11952张图片，每张图片是1024*768大小的，依次去遍历的话担心太费时间了，结果还好，

代码如下：from PIL import Imageimport ospath = r'图片存储的路径'newpath = r'转换后存储图片的路径'def RGBtoGray(path): files = os.listdir(path) for file in files: imgpath = path + '/' + file #print(imgpath) # im = Image.open(imgpat

灰度图的位深度为8，此代码使用PIL库中的convert函数进行转换。convert函数的参数解释：1 ------------------（1位像素，黑白，每字节一个像素存储）L ------------------（8位像素，黑白）P ------------------（8位像素，使用调色板映射到任何其他模式）RGB------------------（3x8位像素，真彩色）RGBA------------------（4x8位像素，带透明度掩模的真彩色）CMYK------------

1.打开Anaconda Prompt，以管理员方式运行2.创建名称为Tensorflow的新环境，命令如下conda create --name tensorflow python=3.6这里不用看，输入Y继续安装，然后就是下载一堆的python库3.激活tensorflow虚拟环境activate tensorflow4.安装tensorflow1、先更新pip版本python -m pip install --upgrade pip2、安装pip install te

**windows10安装Anaconda**下载Anaconda可以使用Anaconda官方的下载地址，但是速度比较慢https://www.anaconda.com/推荐使用清华镜像下载Anaconda，速度快版本全，各平台的软件包都有https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/安装AnacondaAnaconda的安装和普通软件一样，一直下一步即可，注意勾选自动添加到环境变量选择安装位置2.将上面的勾选上