- 博客(24)
- 收藏
- 关注
RSS订阅原创 Kaggle医学影像识别（二）
首先，我们的数据集即不是PyTorch内置数据集、也不符合各种PyTorch类要求的排布规则（例如，ImageFolder要求数据集按标签排列，但我们的数据集是按患者ID排列），因此我们无法使用torchvision.datasets或者ImageFolder来导入数据，必须使用类自主构建导入数据的类。在之前详细讲解Dataset类的用法时我们说明过，在自定义的中，我们需要提供每一个样本（每一张切片）的路径，同时还需要提供每一个样本所对应的标签。
2025-10-03 22:10:13
400
原创 PHP 中的正则表达式
用定界符包裹正则 + 用专门函数执行操作。掌握三个函数，结合元字符（?()等）和修饰符，就能处理大多数字符串场景。多动手测试（比如修改上面的示例参数），很快就能熟练使用～
2025-10-03 19:33:51
619
原创 php入门
PHP 是一种，主要用于开发动态网页和 Web 应用（比如用户注册登录、数据查询、表单处理等）。它可以嵌入 HTML 中，也能独立编写后端逻辑，非常适合初学者入门 Web 开发。
2025-10-03 15:46:56
425
原创 正则表达式
正则提供了一些简写符号预定义类等价写法含义\d[0-9]匹配数字\D[^0-9]匹配非数字\w匹配“单词字符”（字母、数字、下划线）\W匹配非单词字符\s匹配空白字符（空格、制表符、换行等）\S匹配非空白字符。
2025-10-02 21:02:51
571
原创 2. linux shell命令（1）
随着各式Linux系统的图形化程度的不断提高，用户在桌面环境下，通过点击、拖拽等操作就可以完成大部分的工作。然而，许多Ubuntu Linux功能使用shell命令来实现，要比使用图形界面交互，完成的更快、更直接。英文单词shell可直译为“贝壳”。“贝壳”是动物作为外在保护的一种工具。可以这样认为，Linux中的shell就是Linux内核的一个外层保护工具，并负责完成用户与内核之间的交互命令是用户向系统内核发出控制请求，与之交互的文本流。
2025-09-28 00:03:43
997
原创 1. 软件包管理
dpkg 和 apt 都是 Debian、Ubuntu 等 Debian 系 Linux 发行版中用于管理软件包的工具，但两者处于不同的 “层级”，功能和定位有显著区别。简单来说：dpkg 是底层工具，直接操作 .deb 包文件；apt 是高层工具，基于 dpkg 工作，提供更智能的依赖管理和仓库访问能力。本质：apt 本身不直接安装包，而是先从仓库下载 .deb 文件，再调用 dpkg 完成实际的安装 / 卸载操作 —— 相当于 “dpkg 的智能管家”。
2025-09-27 23:56:39
928
原创 某项目conda下ffmpeg与linux 系统下ffmpeg冲突导致的OSError: [Errno 32] Broken pipe
删除 conda下安装的ffmpeg就可以 但注意 不要删除其它依赖。最近在部署某项目时出现的问题。某些原因 暂时不能详述。
2024-09-17 00:34:01
492
1
原创 ubuntu安装（升级）最新版本cmake
j8是选择八核编译，如果是电脑是四核就make -j4，不清楚的就直接make，影响不大，只是编译速度的变化。注意，sudo apt remove cmake 命令无法卸载源码安装的cmake。查看cmake版本 cmake --version。查看cmake路径 which cmake。检查没有发现问题的话，进行安装。4、卸载源码安装的cmake。
2024-09-09 12:14:44
831
原创 windows11 wsl2 ubuntu20.0.4安装cuda11.8 安装cudnn8.9.3
WSL 2 发行版：https://learn.microsoft.com/en-us/windows/wsl/install-manual#downloading-distributions。为了让大家尽少减少自己修改命令的麻烦程度，所以我们使用变量的方式，如果你安装的不是11.8版本的CUDA，那么请将11.8修改为你的实际版本。前面那些教程，站长在实际安装部署过程中，五分钟就解决了，下面的才是遇到的真正难题，下面是配置环境变量的教程。我们已经安装好啦，我们可以执行如下代码，查看已安装的CUDA版本。
2024-08-31 08:15:26
559
1
原创 conda env create -f environment.yml安装依赖包时Installing pip dependencies过慢
并在pip的依赖包里添加上镜像源（加上最后一行）
2024-08-07 02:11:36
855
原创 vscode管理受信任域（Manage Trusted Domains）
ctrl+shift+p：输入Manage Trusted Domains。2019年vscode1.38发布的功能。
2024-07-06 01:35:07
1027
原创 图像分割经典架构Unet
图像分割（image Segmentation）是深度学习在图像领域的重要应用之一，如果说识别任务是针对一张图像进行的学习、检测任务是针对图像中不同的对象进行的学习，那分割任务就是针对单一像素进行的学习。分割任务是像素级别的有监督任务，在图像分割时，我们需要对图像中的每一个像素进行分类，因此我们可以找出图像中每个对象的“精确边界”。以下面的图像为例，我们可以找出[“猫”,“狗”]两个标签类别所对应的具体对象，并且找出这些对象的精确边界。
2024-04-10 14:28:35
4247
1
原创 自动编码器家族Autoencoders
在2014年，除了对抗学习这一重大的进步之外，图像生成领域还诞生了著名的“从图像到图像”的生成模型：变分自动编码器（Variational Autoencoders，VAE）。这一架构是从自动编码器（Autoencoders）衍生而来，它与线性层所构成的GAN在能力上较为相似，经过适当训练之后它可以生成难辨真假的手写数字与人脸数据。然而，变分自动编码器的“声势”却不像生成对抗网络那样浩大，其一是因为生成对抗网络有巨大的研究潜力，其二是由于研究者们早已对于类似于变分自动编码器的各类编码器架构非常熟悉了。
2024-04-02 20:08:28
1065
1
原创 Kaggle医学影像识别（一）
病理图像就是病变组织在光学显微镜下所呈现的形态图像，病理学家需要观察该图像判定肿瘤的性质（良性/恶性，如果恶性具体是什么病变亚型），同时也需要判定肿瘤的侵略性分级（早期/中期/晚期）。然而，为执行病理检查，患者需要在疑似肿瘤的组织上提取部分细胞或器官。若肿瘤为恶性，此行为相当于在癌变组织上创造一个伤口，携带癌细胞的血液会外溢并扩散至全身，极大程度地提升癌症转移可能性、降低患者生存概率。因此，能够迅速、准确地做出病理诊断，对癌症患者具有极大的意义。
2023-12-19 16:48:37
2481
1
原创 ubunrtu22.04.3执行sudo apt-get purge network-manager误删network-manager 导致无法联网
下载得到 两个deb软件包 放到u盘里 在插入ubuntu主机。把这个两个链接复制下来 我是保存到gedit文本编辑器里。这个时候在ubuntu主机上执行。在把u盘插到另一台能联网的电脑。在浏览器里输入这个两个链接。然后把这个文件放到u盘里。然后按顺序 执行安装。
2023-12-01 19:02:12
883
4
原创 Ubuntu下安装 VMware Workstation
Windows 版下载地址：https://www.vmware.com/go/getworkstation-win。Linux 版下载地址：https://www.vmware.com/go/getworkstation-linux。一、下载 VMWare Workstation。根据提示输入密码并等待编译完成。选择Linux版本进行下载。
2023-11-28 17:08:29
1501
原创 Linux磁盘分区重命名
设置完成后，重新挂载分区：sudo mount /dev/sdb1 /mnt/data 注意，/mnt/data 是您挂载分区的路径，请根据实际情况进行修改。使用 e2label 命令来修改卷标名称，语法如下：sudo e2label /dev/sdXn new-name 其中，/dev/sdXn 是您要修改的分区设备名称和分区号，new-name。使用 ntfslabel 命令修改 NTFS 分区名称。其中，/dev/sdXn 是您要修改的分区设备名称和分区号，new-name 是您要设置的新名称。
2023-11-28 15:15:34
4565
原创 深度视觉应用-构建自己的深度视觉项目
在之前的课程中，我们对现代分类网络进行了较为全面的讲解：我们解读了·AlexNet，VGG16、NiN、GoogLeNet以及ResNet的原始论文，并对各个网络都进行了完整的代码复现，现在我们已经了解这些网络的构建思路和具体代码，可以开始应用他们了。从本节开始，我们开始建立我们自己的卷积神经网络架构，这是将之前学习的内容应用到实际架构上的过程，也是构筑自己的计算机视觉项目的过程。过去的大部分时间中，我们一直围绕着算法和架构本身在进行讨论，这的确是整个卷积神经网络应用过程中最为关键的部分。
2023-11-02 00:41:53
531
原创 深度视觉入门（下）
在掌握卷积、池化等基本元素，并成功复现了AlexNet并理解其思路后，我们可以利用这些基本元素来构建属于自己的浅层神经网络架构，以解决小型数据集上的分类问题了。自建架构听起来和“自建算法”很类似，仿佛是一种重新造轮子的费时费力的做法，为什么我们要学习自建架构呢？事实上，计算机视觉中还有数个更强大（层数更多更深的）的经典架构可以学习，难道它们不足以完成我们希望完成的任务吗？没错，与机器学习中可以直接拿来用的“强学习器”们不同，深度学习中的经典架构主要是处于“指导”地位的基本准则而已，大多数时候，他们并不能够直
2023-10-08 21:38:03
333
1
原创 深度视觉入门（上）
1.简述计算机视觉 ≠ 卷积神经网络在过去十年，人们常常认为计算机视觉是以深度学习和卷积神经网络（Convolutional Neural Networks, CNN）为核心研究领域。事实上，早在深度学习兴起之前，计算机视觉就是一个理论成熟、内容繁多的跨学科领域。计算机视觉有完备的知识体系，它的内容包括了摄像设备性能、成像原理等图像获取和生成技术、也包括视频特效、3D、图像复原等早就被广泛应用的视频/图像处理技术，同时还包括图像分割、图像识别等让计算机分析、理解图像的技术。其中，图像处理也叫做“图像
2023-08-21 21:16:47
345
2
原创 神经网络的学习
在之前的课程中，我们已经完成了从0建立深层神经网络，并介绍了各类神经网络所使用的损失函数。本节课开始，我们将以分类深层神经网络为例，为大家展示神经网络的学习和训练过程。在介绍PyTorch的基本工具AutoGrad库时，我们系统地介绍过数学中的优化问题和优化思想，我们介绍了最小二乘法以及梯度下降法这两个入门级优化算法的具体操作，并使用AutoGrad库实现了他们。在本节课中，我们将从梯度下降法向外拓展，介绍更常用的优化算法，实现神经网络的学习和迭代。在本节课结束的时候，你将能够完整地实现一个神经网络训练的全
2023-08-06 22:24:28
171
原创 AlexNet
关键点• 大量带标签数据——ImageNet• 高性能计算资源——GPU• 合理算法模型——深度卷积神经网络创新点• 采用ReLu加快大型神经网络训练• 采用LRN提升大型网络泛化能力• 采用Overlapping Pooling提升指标• 采用随机裁剪翻转及色彩扰动增加数据多样性• 采用Drpout减轻过拟合• 深度与宽度可决定网络能力• 更强大GPU及更多数据可进一步提高模型性能• 图片缩放细节，对短边先缩放。
2023-06-08 17:49:13
216
1
原创 目标检测基础知识
目 标 检 测 属 于 多 任 务 ， 一 个 任 务 是 目 标 分类 ， 另 一 个 是 目 标 位 置 的 确 定 ， 即 分 类 与 回归基于深层神经网络的目标检测单 阶 段 网 络 的 准 确 度 为 何 不 如 双 阶 段 网 络 ，训 练 中 的 不 均 衡双 阶 段 网 络 如 何 解 决 训 练 中 的 不 均 衡
2023-06-02 01:56:51
521
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