羊羊的博客

使用 TorchIO 和 PyTorch 对 NIfTI 格式的 CT 图像做处理并建模。

加载图像：支持多种医学图像格式（NIfTI、DICOM 等）。数据增强：支持随机翻转、仿射变换、添加噪声等。重采样：将图像重采样到统一分辨率。归一化：标准化强度值。ROI 操作：提取和处理感兴趣区域。

TorchIO 是一个专为医学图像处理设计的 Python 库，构建于 PyTorch 之上。它的目标是为医学影像分析中的深度学习模型（如分类、分割、检测）提供高效、灵活的数据预处理和增强工具。TorchIO 支持 3D 图像数据（如 CT、MRI）以及多模态输入，特别适用于医学影像任务。能够同时加载和处理多种模态的数据（如 T1、T2、FLAIR），为联合分析提供支持。

深度学习Pytorch（十一）——微调torchvision模型文章目录深度学习Pytorch（十一）——微调torchvision模型在本小节，深入探讨如何对

深度学习Pytorch（十）——基于torchvision的目标检测模型文章目录深度学习Pytorch（十）——基于torchvision的目标检测模型一、定义数据集二、为PennFudan编写自定义数据集1、下载数据集2、为数据集编写类三、定义模型Ⅰ 微调已经预训练的模型Ⅱ 修改模型以添加不同的主干1、PennFudan数据集的实例分割模型四、整合本节，将微调Penn-Fudan数据库中对行人检测和分割的已预先训练的Mask R-CNN模型。该数据集包含170个图像和345个行人实例。用该数据集说明如

深度学习Pytorch（九）——迁移学习文章目录深度学习Pytorch（九）——迁移学习一、简介二、实例1、导入package2、加载数据3、可视化部分图像数据4、训练model5、可视化模型的预测结果6、迁移学习使用场景1——微调ConvNet7、迁移学习使用场景2——ConvNet作为固定特征提取器一、简介实际中，基本上没有人会从零开始（随机初始化）训练一个完整的卷积网络，因为相对于网络，很难得到一个足够大的数据集（网络很深，需要足够大的数据集训练）。通常的做法是在一个很大的数据集进行预训练得到卷

深度学习Pytorch（八）——神经网络模块（详细）1文章目录深度学习Pytorch（八）——神经网络模块（详细）1一、PyTorch中的nn包二、使用优化器训练神经网络三、自定义nn模块四、神经网络中的控制流和权重共享一、PyTorch中的nn包计算图和autograd是十分强大的工具，可以定义复杂的操作并且自动求导，然而对于大规模的网络，autograd太底层（太low），在构建网络的过程中，我们经常要考虑将计算安排成层，其中一些可学习的参数，将会在学习的过程中进行优化。TensorFlow中有

深度学习Pytorch（七）——核心小结2之自定义自动求导函数+Pytorch和TensorFlow搭建网络的比较文章目录深度学习Pytorch（七）——核心小结2之自定义自动求导函数+Pytorch和TensorFlow搭建网络的比较一、定义新的自动求导函数二、Pytorch 和 TensorFlow对比一、定义新的自动求导函数在底层，每个原始的自动求导运算实际上是两个在Tensor上运行的函数。其中，forward函数计算从输入Tensor获得的输出Tensors。而backward函数接收输出，

深度学习Pytorch（六）——核心小结文章目录深度学习Pytorch（六）——核心小结一、Numpy实现网络二、Pytorch:Tensor三、自动求导1、PyTorch：Tensor和auto_gradPytorch的核心是两个主要特征：一个n维tensor，类似于numpy，但是tensor可以在GPU上运行搭建和训练神经网络时的自动微分/求导机制一、Numpy实现网络在总结Tensor之前，先使用numpy实现网络。numpy提供了一个n维数组对象，以及许多用于操作这些数组的函数。

深度学习Pytorch（五）——数据加载和处理文章目录深度学习Pytorch（五）——数据加载和处理一、下载安装包二、下载数据集三、读取数据集四、编写一个函数看看图像和landmark五、数据集类六、数据可视化七、数据变换1、Function_Rescale2、Function_RandomCrop3、Function_ToTensor八、组合转换九、迭代数据集一、下载安装包packages:scikit-image:用于图像测IO和变换pandas:方便进行csv解析二、下载数据集数据集

深度学习Pytorch（四）——图像分类器文章目录深度学习Pytorch（四）——图像分类器一、简介二、数据集三、训练一个图像分类器1、导入package吧2、归一化处理+贴标签吧3、先来康康训练集中的照片吧4、定义一个神经网络吧5、定义一个损失函数和优化器吧6、训练网络吧7、在测试集上测试一下网络吧8、分别查看一下训练效果吧一、简介通常，当处理图像、文本、语音或视频数据时，可以使用标准Python将数据加载到numpy数组格式，然后将这个数组转换成torch.*Tensor对于图像，可以用Pil

深度学习Pytorch（三）——神经网络文章目录深度学习Pytorch（三）——神经网络一、简介二、神经网络训练过程三、实例演示1、定义一个神经网络2、通过调用net.parameters()返回模型可训练的参数3、迭代整个输入4、调用反向传播5、计算损失值6、反向传播梯度7、更新神经网络参数一、简介神经网络可以通过torch.nn包构建，上一节已经对自动梯度有些了解，神经网络是基于自动梯度来定义一些模型。一个nn.Module包括层和一个方法，它会返回输出。例如：数字图片识别的网络：上图是一个简

深度学习Pytorch（二）——自动微分文章目录深度学习Pytorch（二）——自动微分一、简介二、TENSOR三、梯度一、简介antograd包是Pytorch中所有神经网络的核心。autograd为Tensor上的所有操作提供自动微分，它是一个由运行定义的框架，这意味着以代码运行方式定义后向传播，并且每一次迭代都可能不同二、TENSORtorch.Tensor是包的核心。如果将属性.requires_grad设置为True,则会开始跟踪针对tensor的所有操作。完成计算之后，可以调用b

深度学习Pytorch（一）——Tensors张量文章目录深度学习Pytorch（一）——Tensors张量环境：Anaconda自带的编译器——Spyder最近才开使用conda，发现conda 就是 yyds，爱啦~一、Tensor（张量）import torch#构造一个5*3的空矩阵x=torch.FloatTensor(5,3)print(x)# 构造随机初始化矩阵x=torch.rand(5,3)print(x)# 构造一个矩阵全为0，而且数据类型为longx=torc