- 博客(33)
- 收藏
- 关注
RSS订阅原创 【pytorch学习笔记03】pytorch完整模型训练套路
创建损失函数 loss_func = nn . CrossEntropyLoss() # 这里是一个多分类问题 # 定义优化器 learning_rate = 1e-2 optimizer = torch . optim . SGD(model . parameters() , lr = learning_rate) # 设置训练网络的参数 total_train_step = 0 # 训练次数 total_test_step = 0 # 测试次数 epoch = 10 # 训练轮数。
2023-07-25 00:24:39
163
原创 【pytorch学习笔记02】Transforms&torch.nn简介&模型的加载修改保存读取
数据中心化数据标准化缩放裁剪旋转翻转填充噪声添加灰度变换线性变换仿射变换亮度、饱和度及对比度变换。
2023-07-25 00:16:19
256
原创 【pytorch学习笔记01】加载数据&Tensorboard
B站我是土堆视频学习笔记，链接：https://www.bilibili.com/video/BV1hE411t7RN/?
2023-07-25 00:10:04
210
原创 【CV作业06-3】训练机器学习模型，预测肺结节良恶性
定义空列表来存储每个fold的性能指标和ROC曲线数据。Z-score标准化处理。不对第一列和最后一列处理。
2023-04-13 22:38:04
403
4
原创 【CV作业06-2】调用pyradiomics库提取图像中病灶的影像组学特征
遍历文件夹中的所有文件，并将特征合并到 features_dfs 中。定义一个空的DataFrame用于保存特征、创建特征提取器。保存特征为 csv 文件。
2023-04-13 22:34:49
574
原创 【CV作业06-1】影像组学pyradiomics库安装
python版本高于3.7，可能会出现pyradiomics安装后部分功能无法使用的问题。pip命令安装pyradiomics,使用阿里云的源。为稳妥起见专门为影像组学研究配置一个虚拟环境。查看pyradiomics版本。进入创建好的虚拟环境。
2023-04-13 22:25:05
2086
2
原创 【CV作业05】肺部区域提取
测试了 lab04的四个分割方法，选取 yen分割，yen的代码也是lab04中实现的。提供了上图所示胸部CT图像，实现：提取两个肺部区域，如由下图所示。我们想要保留的肺部区域为 label 97和130。说明：不能使用区域增长算法！保留目标区域的联通分量。
2023-04-10 19:57:01
456
原创 【解决报错】ImportError: DLL load failed while importing QtGui: 找不到指定的程序。
解决ImportError: DLL load failed while importing QtGui: 找不到指定的程序。
2023-03-08 12:43:49
1582
原创 【ML学习笔记05】《统计学习方法》—ch05：决策树
1．分类决策树模型是表示基于特征对实例进行分类的树形结构．决策树可以转换成一个 if-then 规则的集合，也可以看作是定义在特征空间划分上的类的条件概率分布．2．决策树学习旨在构建一个与训练数据拟合很好，并且复杂度小的决策树．因为从可能的决策树中直接选取最优决策树是 NP 完全问题．现实中采用启发式方法学习次优的决策树．决策树学习算法包括 3 部分：特征选择、树的生成和树的剪枝．常用的算法有 ID3、C4.5 和 CART.
2022-08-24 15:44:28
369
原创 【ML学习笔记04】《统计学习方法》—ch04：朴素贝叶斯法
1．朴素贝叶斯法是典型的生成学习方法．生成方法由训练数据学习联合概率分布 P( X, Y) ，然后求得后验概率分布 P(Y| X) ．具体来说，利用训练数据学习P( X| Y) 和 P(Y) 的估计，得到联合概率分布，概率估计方法可以是极大似然估计或贝叶斯估计。2．朴素贝叶斯法的基本假设是条件独立性，这是一个较强的假设．由于这一假设，模型包含的条件概率的数量大为减少，朴素贝叶斯法的学习与预测大为简化。3．朴素贝叶斯法利用贝叶斯定理与学到的联合概率模型进行分类预测．将输入 x 分到后验概率最大的类 y．.
2022-08-05 20:22:19
306
原创 【ML学习笔记03】《统计学习方法》—ch03：k近邻法
1．k 近邻法是基本且简单的分类与回归方法．k 近邻法的基本做法是：对给定的训练实例点和输入实例点，首先确定输入实例点的k 个最近邻训练实例点，然后利用这 k 个训练实例点的类的多数来预测输入实例点的类．2．k 近邻模型对应于基于训练数据集对特征空间的一个划分．3．k 近邻法三要素：距离度量、k 值的选择和分类决策规则．4． k 近邻法的实现需要考虑如何快速搜索 k 个最近邻点． kd 树是一种便于对 k 维空间中的数据进行快速检索的数据结构．...
2022-08-04 16:48:13
223
原创 【ML学习笔记02】《统计学习方法》—ch02：感知机
1.感知机是根据输入实例的特征向量 x 对其进行二类分类的线性分类模型，感知机模型对应于输入空间（特征空间）中的分离超平面。2．感知机学习的策略是极小化损失函数：损失函数对应于误分类点到分离超平面的总距离．3．感知机学习算法是基于随机梯度下降法的对损失函数的最优化算法，有原始形式和对偶形式．算法简单且易于实现．原始形式中，首先任意选取一个超平面，然后用梯度下降法不断极小化目标函数．在这个过程中一次随机选取一个误分类点使其梯度下降．4．当训练数据集线性可分时，感知机学习算法是收敛的．...
2022-08-03 18:36:35
149
原创 【ML学习笔记01】《统计学习方法》—ch01：概论
1.统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行分析与预测的一门学科．2．统计学习方法三要素——模型、策略、算法，对理解统计学习方法起到提纲挈领的作用．3．本书主要讨论监督学习．4．统计学习中，进行模型选择或者说提高学习的泛化能力是一个重要问题．如果只考虑减少训练误差，就可能产生过拟合现象．模型选择的方法有正则化与交叉验证．学习方法泛化能力的分析是统计学习理论研究的重要课题．5．分类问题、标注问题和回归问题都是监督学习的重要问题．...
2022-08-02 16:56:27
405
原创 【DL学习笔记12】《深度学习进阶——自然语言处理》—— ch05: RNN
1.概率和语言模型：概率视角下的word2vec、语言模型将CBOW模型用作语言模型？；2. RNN：循环的神经网络、展开循环、Backpropagation Through Time、Truncated BPTT、Truncated BPTT的mini-batch学习；3. RNN的实现：RNN层的实现、Time RNN层的实现；4. 处理时序数据的层的实现：RNNLM的全貌图、Time层的实现；5. RNNLM的学习和评价：语言模型的评价、RNNLM的学习代码、RNNLM的Trainer类......
2022-07-14 20:55:06
1067
原创 【DL学习笔记11】《深度学习进阶——自然语言处理》—— ch04：word2vec的高速化
1. 改进一：Embedding层；2. 改进二：Negative Sampling（负采样）：多分类到二分类的实现、负采样、采样方法、负采样的实现；3. 改进版word2vec的学习：CBOW模型的实现、CBOW模型的学习代码、CBOW模型的评价；4. word2vec相关的其他话题：应用例、单词向量的评价方法......
2022-07-12 21:36:05
401
原创 【DL学习笔记10】《深度学习进阶——自然语言处理》——ch03: word2vec
1. 基于推理的方法和神经网络：神经网络中单词的处理方法；2. 简单的word2vec：CBOW模型的推理与学习；3. 学习数据的准备：上下文和目标词、转化为one-hot表示、数据预处理总结；4. CBOW模型的实现；5. word2vec的补充说明：CBOW模型和概率、skip-gram模型、两个模型的区别分析、基于计数与基于推理总结...
2022-07-09 18:12:45
522
原创 【DL学习笔记09】《深度学习进阶——自然语言处理》——ch02: 自然语言和单词的分布式表示
1. 什么是自然语言处理；2. 同义词词典；3. 基于计数的方法：基于Python的语料库的预处理、分布式、共现矩阵、向量间的相似度、相似单词的排序；4. 基于计数的方法的改进：点互信息（PMI）、降维 dimensionality reduction、基于SVD的降维、PTB数据集、基于PTB数据集的评价；0. 补充：enumerate、argsort...
2022-07-07 21:34:24
817
原创 【DL学习笔记07】深度学习入门——基于Python的理论与实现（ch08: 深度学习）
1. 加深网络：加深层的动机；2. 三个有名的网络：VGG、GooleNe、tResNet；3. 深度学习的高速化；4. 深度学习的应用案例：物体检测、图像分割、图像标题的生成；5. 接下来是《深度学习进阶——自然语言处理》......
2022-07-01 15:24:58
529
原创 【DL学习笔记06】深度学习入门——基于Python的理论与实现(ch07: 卷积神经网络 CNN)
1. 整体结构；2. 卷积层：全连接层存在的问题、卷积运算、3维数据的卷积运算、批处理；3. 池化层；4. 卷积层和池化层的实现：卷积层、池化层；5. CNN的实现；6. CNN的可视化：第1层权重的可视化、基于分层结构的信息提取；7. 具有代表性的CNN：LeNet、AlexNet...
2022-06-30 21:16:09
672
原创 【DL学习笔记05】深度学习入门——基于Python的理论与实现（ch06: 与学习相关的技巧）
1. 参数的更新：SGD、Momentum、AdaGrad、Adam；2. 权重的初始值：可以将权重初始值设为0吗、隐藏层的激活值的分布、ReLU的权重初始值、总结；3. Batch Normalization；4. 正则化：过拟合、权值衰减、Dropout、集成学习；5. 超参数的验证：验证数据、超参数的最优化...
2022-06-28 21:45:58
586
2
原创 【DL学习笔记04】深度学习入门——基于Python的理论与实现（ch05: 误差反向传播法）
1. 计算图：用计算图求解、局部计算、为何用计算图解体（优点）2. 链式法则 3. 反向传播 4.简单层的实现：乘法层（MulLayer）、加法层（AddLayer）5. 激活函数层的实现 6. Affine/Softmax层的实现：Affine层批版本的Affine层、Softmax-with-Loss层 7. 误差反向传播法的实现：梯度确认、使用误差反向传播法的学习...
2022-06-27 15:51:00
596
原创 【DL学习笔记03】深度学习入门——基于Python的理论与实现（ch04: Train Neuralnet）
1. 从数据从中学习：数据驱动、训练数据和测试数据；2. loss function：均方误差、交叉熵误差、mini-batch学习、mini-batch版交叉熵误差的实现；3. 数值微分：梯度、梯度法（gradient method）、神经网络的梯度；4. 学习算法的实现：2层神经网络的类、mini-batch的实现、基于测试数据的评价；5. 小结...
2022-06-25 14:26:15
961
原创 【DL学习笔记02】深度学习入门——基于Python的理论与实现（ch03：Neural Network）
1. Activation Function：step function、sigmoid function、ReLU2. 多维数组的运算、多维数组矩阵乘法、神经网络的内积3. 三层神经网络的实现4. 输出层的设计5. 手写数字识别：MNIST数据集、神经网络的推理处理、批处理（batch）简单实现.........
2022-06-23 20:25:15
704
原创 【DL学习笔记01】深度学习入门——基于Python的理论与实现（ch01&02：Python入门&perceptron）
NumPy、Matplotlib、感知机深度学习入门——基于Python的理论与实现（ch01&02：Python入门&perceptron）
2022-06-23 19:56:00
391
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人