闲看庭前雪的博客

项目场景：神经网络模型运行中，出现的问题。RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cpu!问题描述：出现RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0 and cpu!的原因是：

项目场景：深度学习项目中，对神经网络进行编层。出现ValueError: optimizer got an empty parameter list问题描述：ValueError: optimizer got an empty parameter list!一定要具体问题具体分析。先直接定位出错代码层，从出错代码层可以直接看到没有self传参class Classifier(nn.Module): def __init__(self): super(Classifi

无覆盖，追加保存数据到txt文件数据量较大，保存到txt文件时，出现数据省略的现象项目场景：保存实验特征数据问题描述：在保存特征时，由于数据量较大，保存到txt文件时，出现数据省略的现象。原因分析：提示：这里填写问题的分析：numpy显示与保存数据问题解决方案：提示：这里填写该问题的具体解决方案：在保存代码种添加 np.set_printoptions(threshold=np.inf)#全部输出即可。y = outputs_1.data.numpy()np.set

关于保存数据时，提取数据特征的数量和样本数不匹配的原因项目场景：样本总数354，测试集283，验证集36，测试集350个epoch，保存的特征数据是【35，90】1个epoch，保存的特征数据是【534，90】2个epoch，保存的特征数据是【1033，90】问题描述：保存特征的数量和样本数量不匹配，按理说保存一个epoch的特征的数量应该是所有样本的数量，这里反而多了。原因分析：0个epoch，保存的是测试集的特征，即35个那么一个epoch保存的特征分别为，283个训练集特征，

项目场景： pytorch加载保存模型问题描述： 加载保存模型解决方案：非常感谢这个链接不错的记录链接：https://blog.youkuaiyun.com/comli_cn/article/details/107516740配合该链接食用效果更加我这里的train替换了他的predict一、保存整个模型虽然占用内存大，但我觉得比仅仅保存模型参数省事保存路径：PATH_all = '/home/ubuntu/liyafeng/NEW_train/728_fusion/daima/MRI_d

项目场景：手搓CNN问题描述：提示：这里描述项目中遇到的问题：出错代码：batch_loss = loss(train_pred, data[1].cuda())data[1] 是数据的标签出错提示：RuntimeError: multi-target not supported at C:/cb/pytorch_1000000000000/work/aten/src\THCUNN/generic/ClassNLLCriterion.cu:15原因分析：提示：这里填写问题的分析：维

项目场景：手搓神经网络问题描述：RuntimeError: Input type (torch.cuda.DoubleTensor) and weight type (torch.cuda.FloatTensor) should be the same原因分析：没有把输入数据类型转为float类型解决方案：x = x.type(torch.cuda.FloatTensor)注意，加上 .cuda我参考的文章给了我思路，在我实践的时候，发现还需要添加.cuda参考链接链接: li

系列文章目录基于多模态成像遗传学数据来预测帕金森病相关基因和大脑区域的新型GERNNE方法基于聚类演化随机森林的阿尔兹海默症的多模态数据分析影像学和基因组学多模态数据融合在肺癌复发预测中的应用系列文章目录前言一、Introduction二、背景1.研究现状2.研究目标3.研究挑战4.创新点5.意义1.病症2.危害三、方法流程四、数据处理过程五、线性方法1.COX比例风险模型六、非线性方法1.多层感知器2.MFH 多模态因子高阶池化3.BLOCK七、评价指标八、数据集九、结果10.总结与讨论前言

系列文章目录VGG Image Classification PracticalPractical Category Detection系列文章目录前言一、检测原理1.0加载数据集1.1可视化训练图案1.2 在训练中提取HOG特征1.3简单的HOG模型1.4测试模型1.5提取上层检测二、带有支持向量机的多尺度学习2.1 多尺度检测2.2 收集正面和负面训练数据2.3 支持向量机学习模型2.4 评估模型质量三、多目标检测与评估3.1检测多个目标3.2 检测器评估3.3多幅图像未完待续总结前言对象

系列文章目录VGG Image Classification Practical提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档Convolutional Neural Network Practical系列文章目录前言一、准备工作1.环境2.加载准备模块二、CNN的构建1.卷积2.非线性激活函数3.池化4.归一化二、CNN的构建总结前言根据VGG教程里的简介，我们可以很清楚的知道关于CNN的以下知识：卷积神经网络是一类重要的深度学习网络，适用于许多计算机视觉问题。特别是，

VGG Image Classification Practical提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档VGG Image Classification PracticalVGG Image Classification Practical前言一、加载绘图模块二、三种分类器1.数据准备2.训练摩托车分类器3.对测试图像进行分类并对其性能进行评估4.

Generative Adversarial Network 生成对抗网络前言一、生成对抗网络1.生成对抗网络是什么2.数学公式二、代码1.下载数据2.数据预处理3.随机种子4.模型5.准备训练6.训练开始7.使用生成器生成图片总结前言本篇以代码为主，不过多涉及理论。平台colab，语言python一、生成对抗网络1.生成对抗网络是什么生成对抗网络中包含了两个模型，一个是生成模型G，另一个是判别模型D，下面通过一个生成图片的例子来解释两个模型的作用：生成模型G：不断学习训练集中真实数据的概

基于多峰成像遗传学数据的帕金森病相关基因和大脑区域预测的新型GERNNE方法前言阅览文章之前记得一键三联哦，做文章不容易，十分感谢大家的鼓励。一、提纲1.概述2.学术简称二、背景与问题1.背景2.问题三、目标与步骤1.目标2.步骤四、方法与创新点1.多峰数据集和预处理2.提取融合特征3.pearson相关分析方法4.GERNNE二、使用步骤二、使用步骤总结前言这几天在看一篇论文，想和大家分享一下。阅览文章之前记得一键三联哦，做文章不容易，十分感谢大家的鼓励。这里我只是用自己的话简单概括了文章的大.