- 博客(78)
- 收藏
- 关注
RSS订阅
原创 记录BraTS脑肿瘤分割挑战赛各年度数据下载链接，及数据集任务说明。
暂时先总结Kaggle的下载链接，下次将每个年度的数据规模，官方下载链接，任务类型进行总结。
2024-10-30 11:12:51
3038
原创 详解VIT（Vision Transformer)模型原理, 代码级讲解
详解VIT（Vision Transformer)模型原理, 代码级讲解
2024-01-16 16:21:37
12103
9
原创 最简单的方法解决为自己的windows系统电脑安装pytorch-gpu环境配置的所有相关问题
选择路线根据代码版本需求匹配pytorch与tensorflow版本，然后在下面的版本匹配链接中得到pytorch版本（tensorflow版本）对cuda、cudnn、torchvision版本的要求，同时根据上面介绍的英伟达控制面板中系统信息检查自己的显卡驱动最高支持哪个cuda版本，确定好都匹配之后才开始安装。下载完之后得到下面的exe文件，双击安装，如果是初次安装，建议安装默认设置安装比较靠谱，但也有人说默认精简安装会出错，我没试过，我选的是自定义安装，下面走一遍自定义安装流程。...
2022-07-26 11:52:17
2349
3
原创 如何测试pytorch-gpu版本和tensorflow-gpu版本是否安装成功，测试代码如下，在想要测试的环境中将两段代码分别输入测试即可
测试pytorch-gpu版本和tensorflow-gpu版本是否安装成功
2022-07-26 09:44:00
3474
原创 使用GPT-4进行论文翻译如何进行提示
Prompt: “不改变论文原来的意思，帮我翻译为专业的学术化英语，且字数控制在250词：”Prompt: “不改变论文原来的意思，帮我翻译为专业的学术化英语：”
2025-01-06 21:31:20
188
原创 最简单的方法为自己的Windows电脑装Tensorflow-gpu2.X版本的深度学习环境（以Windows10+4090+cuda11.2+Python3.9为例）
4090显卡，windows，tensorflow2.x版本安装，深度学习环境搭建
2024-11-25 22:13:52
1517
原创 代码篇：使用Dice损失和交叉熵损失（CE loss）混合函数作为损失函数来优化医学影像分割任务的效果
【代码】代码篇：使用Dice损失和交叉熵损失（CE loss）混合函数作为损失函数来优化医学影像分割任务的效果。
2024-11-12 11:37:08
567
原创 简单教程系列：如何为一个已经配置好的深度学习环境增配jupyter notebook编程环境
大家在进行统计学分析的时候，可能会需要用到jupyter notebook，但是之前配置好的环境并没有包含jupyter的相关库，这个时候大家去找相关环境配置教程，可能很多人都是从头教你如何配置环境。有没有一种简单的方法可以一键添加呢？（1）打开cmd命令行(win+R, 输入cmd，回车），使用activate命令进入你的深度学习环境；备注：vscode的jupyter支持远强于pycharm。
2024-09-25 10:22:48
297
原创 2. 机器学习概述
假设我们要训练一个芒果分类的机器学习模型，首先我们列出每个芒果的特征（feature)，包括颜色，大小，形状，产地，品牌等，以及我们需要预测的标签(label)。常见的超参数包括：聚类算法中的类别个数、梯度下降法中的步长，正则化项的系数，神经网络的层数，支持向量机中的核函数等。监督的特征学习的目标是抽取对一个特定的预测任务最有用的特征，比如线性判别分析（LDA).而无监督的特征学习和具体任务无关，其目标是减少冗余信息和噪声，比如主成分分析（PCA).不同类型的数据，其原始特征的空间也不相同。
2024-06-16 17:12:21
848
原创 1. 人工智能中的相关术语的概述
是指输入数据的底层特征和高层语义信息之间的不一致性和差异性，比如给出几张“猫”的照片，这些照片在像素级别上的差异性会非常大，我们理解这些照片为猫是在高层语义概念上的，如果一个预测模型直接建立在底层特征之上，则对模型的预测能力要求过高。： 为了学习一种好的表示，需要构建具有一定深度的模型，并通过学习算法来让模型自动学习出好的特征表示（从底层特征，到中层特征，再到高层特征），从而提高模型的预测准确率。一般来说在实际任务中，不同模型的性能的相差不多，而是前三步的处理对准确性起着关键的作用。在机器学习的过程中，
2024-06-15 21:10:55
664
原创 PyTorch的基础用法简介
这些是PyTorch的基础用法，可以帮助你开始使用PyTorch进行深度学习模型的构建和训练。当然，PyTorch还有很多高级功能和用法，例如自定义数据集、数据加载器、模型保存与加载等，可以根据具体需求进一步学习和探索。PyTorch是一个基于Python的开源机器学习库，它提供了灵活的神经网络构建和训练工具。
2024-05-12 22:37:46
305
原创 记录一种设置num_workers的方法，可以有效提高训练效率！
亲测，num_workers这样设置可以节省很多训练时间。本人的cpu是i9-13900k, 按理可以将num_workers拉到20以上，但是通过实验证明，num_workers的设置不是越大越好。设置的大反而会拖慢训练，我按照上面的设置，一个epoch跑59s，如果设置为20，反而训练了90s，这相差还是蛮大的！我觉得应该是因为我的batchsize比较小，设置那么多进程数反而是加大开销！
2024-04-27 11:38:40
1089
原创 RuntimeError: no valid convolution algorithms available in CuDNN
说实话，刚碰到这个报错我挺懵逼的，因为常规的爆显存的提示不是这样的，查询说是我cudnn和cuda的版本不兼容？我不愿相信，因为我这个虚拟环境在其它项目上都跑的挺顺利的。现在的深度学习模型真是离谱，我复现的是一篇一区论文的代码，用来做3D语义分割的，这个模型的参数量达到了81M, 参数量不算大，但因为是3D分割，所以浮点数计算量非常大，达到了462.60 GFLOPs，我24G显存都遭不住了。2.遇到报错不要轻易大改环境，多查查，多试试，兴许有好方法能够快速解决问题！
2024-04-27 10:54:08
469
原创 概念区分：什么叫全卷积神经网络？
全卷积神经网络（Fully Convolutional Neural Network，FCN）是一种特殊类型的神经网络结构，通常用于图像分割、语义分割和其他像素级别的任务。SegNet：SegNet是另一种用于图像分割的全卷积神经网络，其结构包括编码器和解码器部分，编码器用于提取特征，解码器用于恢复分辨率，通过学习像素级标签实现图像分割。U-Net：U-Net是一种用于医学图像分割的全卷积神经网络结构，其特点是有对称的U形结构，同时具有编码器和解码器部分，能够更好地保留空间信息和进行精细的分割。
2024-03-27 10:29:02
987
原创 如何把握一篇SCI论文的结构（从写作到投稿）
3.编辑将修改后的版本发送给两位以上的论文主题审稿人，如果论文具有很强的统计成分，那么审稿人之一需要是使用该方法的专家。审稿人评估的参数主要分为以下几个方面，采用1（非常差）至5（非常优秀）的评分：研究主题的重要性和创新性，研究目标，文献综述，研究方法，研究结果，论文结构，学术写作以及对该领域的贡献。将您的结论和引用联系起来，结论必须与引言的目标直接相关，并回答研究问题和目标，同时确认或否认假设；将您的结论和以前的研究进行比较，并指出您的论文对推进您的研究领域的知识发展的影响和贡献；
2024-03-12 11:28:56
655
原创 transforms.Compose()函数作用解析
3.torchvision.transforms:包含常用的图像变换操作，例如张量变换，裁剪，旋转等；上述示例中，我们首次创建了两个变换操作T.ToTensor()和T.Normalize(), 然后使用T.Compose()函数将它们组合成一个新的变换序列transform，最终可以通过调用transform(image)来对图像进行变换操作，其中image是输入的PIL.Image对象。这是一个torchvision.transforms模块的函数，用于将一系列变换组合成一个新的变换序列。
2024-01-13 16:01:34
1381
原创 普通卷积、转置卷积（transposed convolution)的原理及运算步骤的详细解释
其中stride[0]表示高度方向的stride，padding[0]表示高度方向的padding，kernel_size[0]表示高度方向的kernel_size，索引[1]都表示宽度方向上的。（2）.在输入特征图的四周填充kernelsize-padding-1的行和列的0元素，kernelsize为转置卷积核的大小，padding为转置卷积的padding大小，这里padding和卷积的padding不一样，可以看到这里在进行转置卷积时特征图蓝色部分还是2*2，所以padding为0；
2024-01-12 10:37:15
681
原创 深度学习模型中 argparse 模块Python 脚本的部分参数解读
例如，如果您在命令行上运行这个脚本，并想要使用预训练的检查点进行训练，则可以传递。
2024-01-11 17:11:40
446
原创 一些实用的教程记录，均包含原理叙述（T-SNE；CAM；交叉验证；cover letter写作；利益冲突声明；迁移学习；label me标注)
1.T-SNE是一种降维的方法，它可以将高维数据降维可视化，包括3d图像数据。2.CAM用来可视化深度学习网络，如何实用。
2024-01-11 10:15:37
184
原创 关于windows条件下pytorch使用torch.utils.data.DataLoader的numworkers值的确定
解决windows系统中pytorch多线程数据加载的问题
2023-12-29 16:10:07
1344
原创 记录一个conda与pip指令的小细节
假如你是用conda来管理你的虚拟环境，你需要在conda中使用pip指令来安装库，那么只能使用pip，而不能使用pip3。
2023-12-26 16:17:12
392
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