u012465655的专栏

ResNets是针对很深的网络实际的，由残差块构建而成。残差块是一个两层的神经网络。通常情况下深度网络中一层的的构成首先是通过线性变换，经过激活函数后输出结果。公式代表的上述网络结构的主要救过路径，其中g代表的是激活函数。在残差网络中有一点是变化的，我们直接将第一层的输入a[l]向后拷贝，拷贝到下一层的激活函数之前，则第二层的输出就是也就是加上了a[l]这个残差层。如何将一个普通的网络构建成一个残...

1*1的卷积核这个还是挺有意思的，首先假设用平面的二维图像与1*1的核进行卷积，则我们会得到：这样只会在原来的像素上乘上一个系数，并没有什么直接的效果。但是假设在一个多通道的图像中用上1*1的卷积核，我们会得到什么样的效果呢？用一个6*6*32的图像去乘以1*1*32的卷积核得到的其实是一个6*6的二维矩阵。这样就将通道数32给消除了，相当于给图像降维的操作，而且很迅速。卷积核的通道数必须与源图像...

1.关于论文就是吴恩达的那篇肺炎检测的论文2.关于代码，用的是pytorch包，并在github上寻找源码参考。记录其中的重点：（1）关于数据的内存分配，还是用批模式训练比较合适，不然内存根本负荷不了（2）在GPU上训练和在存CPU上训练的时候数据之间的转换问题（3）Numpy类型的数据torch类型数据之间的转换，cpu和gpu都不同。3.关于最后生成的热力图模式调用的是openCV的包，利用灰...

该篇论文的主旨：利用CNN网络在非医学图像数据集上进行训练，然后用93张医学图像进行测试，并利用AUC的面积进行衡量右肺胸腔积液检测，心脏肥大和健康和有病的图像分类问题。作者提出这是史无前例的利用非医学图像来训练，但是模型在医学图像上依然通用的方法。验证深度学习CNNs方法在胸片图像数据上的病理检测的效果。在训练ImageNet图像分类的网络结构图以ImageNet中的数据集作为输入，分为1000...

torchvision.transforms是pytorch中的图像预处理包.一般用Compose把多个步骤整合到一起：transforms.Compose([transforms.CenterCrop(10),transforms.ToTensor(),])这样就把两个步骤整合到一起，接下来是transforms中的函数：Resize把给定的图片resize到given size...