NewDay_的博客

【代码】ubuntu20下使用 torchviz可视化计算图。

而深度学习可以通过网络来拟合特征可以避免这种问题，因为深度学习通过多层结构从原始数据中得到的特征可以同时提高特征的区分选择性和特征不变形，而且可微小细节的特征进行区分，如从白色的狼中区分出萨摩耶犬，同时忽略背景、亮度、姿势等特征。池化：卷积层的作用是探测上一层特征的局部连接，然而池化层的作用是在语义上把相似的特征合并起来，池化操作让这些特征对各种变化具有更好的鲁棒性；权值共享：每一层的特征图使用的过滤器是相同的，不同层使用不同的滤波器；多层网络的使用：通过多层网络实现对低级特征的组合，转换为高级的特征。

解决方法：因为 sitk.ReadImage(filename)读取的对象是image对象，需要进行转换。sitk.GetArrayFromImage(img_obj)可以获取数据，nii文件还有空间信息等可以image的 GetOrigin()，GetSpacing()，GetDirection(）方法获取。解决方法：最简单是办变量除以1.0，原来变量就会变成浮点数现在image，label都是（768，26，768），目标形状为（26，768，768）

卷积层：1局部连接2权重共享池化层：保留有用信息，去除无关，减少计算量。

RNN

PyTorch安装旧版本报错

model( (model): Sequential( (0): Focus( (conv): Conv( (conv): Conv2d(12, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) (bn): BatchNorm2d(32, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)

灰度化灰度即R=G=B 二值化只取255 0对图片进行灰度化处理，目的是 1 减少数据量 （减少不明显） 2 为二值化准备对数据进行灰度发现数据量减少并不明显 尤其是 最大 和 平均 灰度法 权重法数据量减少明显 但是权重不容易处理（权重需要自己去调整到自己想要的）python 二值化代码1. 使用cv2方法(注意cv2读取图片是BGR通道,保存的图片时单通道)def gray_cv(img): img2 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

本次案例是CIFAR10from torchvision import datasetsfrom torchvision import transformsfrom torch.utils.tensorboard import SummaryWriterimport ssl # 取消认证ssl._create_default_https_context = ssl._create_unverified_context # 没有数据集进行下载时候需要取消认证,不然无法下载trans_com

PIL读取图片from PIL import Imagebee = Image.open(r"../data_set/train/ants_image/0013035.jpg")"""open() Opens and identifies the given image file. This is a lazy operation; this function identifies the file, but the file remains open and the actual

案例分析：下载猫狗图片，进行分类。对数据进行分类，训练集和测试集。训练集和测试集都进行命名规范，把猫标记为1，狗标记为0。处理流程： 数据处理，把数据处理为64X64大小的格式，参数初始化分被初试化 各层权重 W 和 偏置 b，（一般情况下W进行随机赋值，b赋值为1），前向传播，确定激活函数（浅层选择tanh函数，深层选择ReLu），交叉熵损失，反向传播（梯度下降），更新参数，构建神经网络，训练进行测试，进行优化（后面还会更新的）。导包引用：import osfrom PIL import Ima

出现上图原因是val 路径还有中文，cv.imread()不能识别。解决方法：1 修改还有中文的文件名2 使用绝对路径，把测试图片放在含有中文的文件里面。下图的名称也无法读取，可能是含有（），重新修改图片名称。...

ORC流水线构建，上限分析找出最能提示性能的模块

Stochastic gradient descent (随机梯度下降)Mini-batch fradient descent (最小批梯度下降)减少映射

当有偏斜类是，使用查准率和召回率评价学习算法

模型选择，数据分为训练集（60%），交叉验证集（20%），测试集（20%），更好避免泛化。用验证集选择最适合模型，测试集评估模型如何判断高偏差还是高方差感觉增大λ是解决高方差的，减小λ是解决高编程的。对此保留疑问。...

前向传播在这里插入图片描述

非线性分类（Non-linear Classification）

欠拟合 高误差 拟合 过拟合 高方差过拟合定义，不能泛化分类过度拟合

机器学习定义：机器学习分类：监督学习（给出的数据已经包含答案，给个数据都进行标记过）回归：预测一个连续的值分类：预测离散的值非监督学习聚类（没有进行标记，通过相同特征划分群）变量说明线性回归注意θ0 、θ1是同步修改的，因为J 函数需要用到θ。注意下山因子的选取，太小速度过慢，太快会越来越远梯度下山法，会引起局部最优解，因为极小值是斜率为零。j函数不变...