- 博客(19)
- 收藏
- 关注
RSS订阅原创 矩阵分析-浅要理解（深度学习方向）
正交基确保了基向量的线性独立性，意味着这些向量不会重复或冗余，对于数值计算来说，这可以避免数值不稳定或退化的情况，确保算法的可靠性。其中||A||是矩阵A的某种范数，||A-1||是A的逆矩阵A-1的范数，条件数的大小反映了矩阵 𝐴 对输入误差的放大效应。用于处理大规模矩阵的奇异值分解，尤其是在需要处理稀疏矩阵时，通过迭代逐渐逼近解，能够在数值精度要求高的应用中提供稳定的结果。二、如果矩阵的奇异值中某些接近零，则可以采取“奇异值截断”的方法，去掉小的奇异值，从而减少条件数，提高计算稳定性。
2025-03-11 11:32:14
633
原创 支持向量简要理解
继续转化问题，现在是对a求极值，将求解极大值问题加负号转化为求极小值问题，将特征点代入方程即可求出a，并最终反推回W,B。非线性核的目的是基于线性代数投影的理论，将数据投影至其他空间，将当前空间中线性不可分的问题转化为其他空间线性可分问题。支持向量机的目标是寻找最与超平面最近的点的最大距离，而距离计算如上，符合数学上计算点到线（面）的距离公式。将距离描述为最优化问题，是典型的maxmin问题，寻找与决策超平面最近的点，并将该点的距离最大化。基于拉格朗日乘子发可用于求解，将w和b寻找与a的关系，代入求解。
2025-03-09 22:06:30
186
原创 GPU相关知识整理——AI扫盲
在模型并行中，计算任务被划分为不同的“操作”或“层”，每个计算单元处理不同的层或操作，适用于模型的大小超出了单个计算单元的内存限制。：内存管理——合理使用各种内存（如全局内存、共享内存、常量内存、纹理内存等）可以大大提高计算性能，线程同步——是确保多线程程序正确执行的关键，原子操作（执行中不会被其他线程打断）可以确保线程之间的安全数据访问。：主要包括显存（是GPU主要内存，是GPU与主机内存RAM间的独立存储区域）、帧缓冲区、常量缓冲区和着色器常量、纹理内存、计算内存、寄存器、全局内存和共享内存。
2025-02-25 10:33:57
482
原创 kaggle-ISIC 2024 - 使用 3D-TBP 检测皮肤癌-学习笔记
CatBoost在传统梯度提升决策树（GBDT）基础上，引入了一系列关键技术创新，以提升处理类别型特征和缺失值的能力，以及整体模型性能，排序学习、目标导向的编码和缺失值处理。基于CatBoost、LGBM 和 XGBoost三者的组合，为每个算法创建了 XX个变体，总共XX个模型，进行集成学习。LightGBM基于XGBoost基础上改进，基于Histogram(直方图)的决策树算法，单边梯度采样，互斥特征捆绑等。主流方法分析（图像），深度学习算法提取特征，将图像特征与文本特征一并送入提升树模型。
2025-01-27 14:43:22
361
原创 git clone的使用代码
在电脑上安装Git，在指定文件夹新建一个文件作为git clone的本地仓库用于保存代码与文件，在github上找到想要克隆的项目并复制网址信息，进入创建的本地文件夹，右击Git Bash here。输入复制的网站回车等待加载与克隆。开发之前先git pull 一下，更新一下自己本地的代码确保版本是最新的。创建分支，以通过版本提交修改代码。使用Git clone项目。
2025-01-08 15:01:31
350
原创 磁共振成像的物理方法基础
2.2.1 从成像序列来看，磁共振信号采集需经过三个梯度射频，Gz为层面选择梯度用于获取捕捉的信号选择特定的层面缺点层面位置和厚度，Gy为相位编码梯度用于在图像重建中区分物体的像素值与位置，Gx为频率编码梯度不同位置的质子在这一方向受到不同的磁化强度，从而产生不同共振频率，这些不同的频率对于成像平面的不同位置。在序列设计过程中，为了采集完整K空间，从最简单的理解上频率编码梯度不断改变，当频率编码梯度很大的时候，较强的频率编码梯度使其成像平面不同位置拉莫尔频率变化加大，使其在频率编码方向能提供更高分辨率。
2024-10-08 11:34:31
609
原创 记录一个tensorflow虚拟环境调试情况
我们安装tensorflow=1.9.0，因此需要配对的编译器GCC为 4.8，需要确保编译器版本正确（cuda安装可能会安装为5.4版本，若不正确需要降低GCC版本，不然tensorflow会报错）现在我希望构建一个tensorflow==1.9.0GPU版本，CUDA 9.0, Python 3.5, Ubuntu 16.04。值得注意的是，对于tensorflow的安装，我们需要根据一下情况来获取全部配置。选择miniconda镜像，用于获取得到这样低版本的CUDA环境。
2024-08-21 22:33:01
176
原创 点云知识初步理解
为了让三维点云也具备二维图像一样的均匀分布，体素将整个三维空间分为立体方格，体素可以将三维空间中的点云变为均匀分布的空间，使得点云数据均匀化。pcd文件：包含文件说明和点云数据两部分，文件说明由11行组成，包括文件说明、版本、字节数、类型、维度等，从第12行开始为点云数据。ply文件：包括文件说明和点云数据两个部分，前三行与最后一行是描述语句，中间包含数据类型、数据数量及其属性等和按行存储的数据值。对于一个点的点云数据，其法向量是由周围点云数据计算拟合得到的平面。空间坐标+法向量（x,y,z,n）
2024-08-19 10:50:10
580
原创 学会在linux系统上运行docker镜像
参考https://zhuanlan.zhihu.com/p/651148141安装。运行其他的docker镜像，以4Dsegment为例。一、在linux系统上安装docker。
2024-05-10 10:51:54
596
2
原创 对安装C++的VS code --＞QT --＞ ITK --VTK有用的链接
Visual Studio, Qt, VTK, ITK安装（For Windows）配置VTK的那些“坑”
2024-04-22 17:33:11
444
原创 linux系统常见指令
zip安装：通过apt-get update && apt-get install -y zip安装zip指令，通过cd到需要解压文件夹执行指令。进行解压，通过cd到当前文件夹**tar czf dir.tar.gz test_dir/**压缩为gz格式。列出文件和文件夹的详细信息：权限，Owner，Group和创建/更新时间。（当打印板需要关闭，或者当前电脑界面需要关闭的时候，用于保存日志）进入名为test_dir路径的文件夹。递归拷贝a文件夹到b文件夹下。进行解压，通过cd到当前文件夹。
2024-03-25 10:40:22
285
1
原创 使用autoDL深度学习远程ssh连接，租用服务器完整医学深度学习分割任务
查看步骤1.4中设置的python映射路径，记下服务器端的保存路径，我的保存路径是/tmp/pycharm_project/当在电脑端写好代码后在Tools–>Deployment–>Unload to xxxxx上传代码。打开file–>Settings–>Add Interpreter–>on SSH ,内容如下。新建会话，并通过上面获取的地址和密钥，连接。租用GPU，以下是租用情况，我们可以根据自己的需求去选择需要租用的显卡类型。如图，根据所需代码选择框架类型和版本，并立即创建实例。
2024-03-05 13:47:07
920
1
原创 归一化方法在医学图像实战中的理解
总所周知在数据载入机器学习模型训练之前都需要进行归一化以保证数据在统一尺度有利于训练得到统一的特征，同样的对应特征而言在神经网络训练的时候不同深度卷积产生的特征尺度也会发生偏移和变化，为了统一特征学习，归一化概念被引入神经网络。
2024-01-08 10:42:05
1105
原创 有必要对医学图像分类ROC曲线衍生的各指标理解清楚
分为真正例（标签为正，预测为正），假真例（标签为正，预测为负），假反例（标签为负，预测为正）和真反例（标签为负，预测为负）混淆矩阵是分类问题的基石，反映了真实标签和机器学习算法预测结果的组合。P-R曲线主要用于在不同阈值下观察模型的查准率和查全率之间的权衡关系。理解表示为：在模型预测的所有正例中，实际正例预测为正例的概率。理解表示为：在模型预测的所有负例中，实际负例预测为负例的概率。理解表示为：在所有标签为正的样本中，模型预测为正的概率。在所有实际负例中，模型能够避免错误预测为正例的比例。
2024-01-06 16:42:54
542
1
原创 记录一个深度学习项目如何独立构建虚拟环境
很多同学都有坏习惯，所有的项目都使用同一个环境，这样简单。然而当遇到不同项目之间依赖库相互冲突的时候，就会非常难受，因此有必要每个深度学习项目独立拥有环境。
2024-01-03 20:05:21
440
1
原创 nnU-Net源码剖写解读
nnU-Net已经称为了医学图像分割的backbone是现有医学分割模型的集大成者，它已其简单的训练流程和简单U-net模型就可达到sota的水平。我们将对nnUnetV2版本的源码进行剖析，理解和分析这个框架的原理，并希望在学习的后期能够修改源码作出创新。
2023-11-14 14:46:08
2093
3
原创 window下nnUnetV2训练流程
nnUnetV2需要pytorch2.0.0版本，因此需要先升级cuda，我们将cuda升级到11.8的版本，通过控制面板-程序和功能 删除NVDIA CUDA Documentation 10.1，安装cuda11.8版本，选择自定义安装，只安装CUDA。打开nnunetv2–>dataset_conversion–>convert_raw_dataset_from_old_nnunet_format.py文件，键入指令。执行任务40的训练，使用3d_fullres网络框架，训练第0折。
2023-06-06 09:45:15
2006
2
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