caihaihua0572的博客

原创 基于XGBoots预测A股大盘《上证指数》（代码+数据+一键可运行）

在股票预测中，AI充当着数据分析和模式识别的角色。虽然无法确保百分之百准确的结果，但它为增加预测的洞察力和理解提供了全新的途径。对AI炒股感兴趣的小伙伴可加WX：caihaihua057200（备注：学校/公司+名字+方向）在这期内容中，我们回到AI预测股票，转而探索人工智能技术如何应用于另一个有趣的领域：预测A股大盘。另外我还有些AI的应用可以一起研究（我一直开源代码）6、结果（预测下周上证：图中后五天是预测结果）2、下周四五高开高走（令人惊讶）。1、周一到周三略微上涨一点点。2、AI与股票的关系。

原创 基于transformer应用在双色球（代码+数据+一键可运行）

transformer预测双色球，全代码全数据可运行

转载 利用Biopython – Pairwise Alignment计算序列相似度

利用Biopython – Pairwise Alignment计算序列相似度

原创 批量PDB转一个jsonl

批量PDB文件转成一个jsonl，根据MPNN模型要求

原创 深度学习设计PROTAC的linker（3Dlinker）

利用等变神经网络设计PROTAC

原创 IGfold的window版本应用及原理（无rosetta微调） 快速预测抗体结构的IgFold深度学习方法，其准确率可以与AlphaFold2媲美。

快速预测抗体结构的IgFold深度学习方法，其准确率可以与AlphaFold2媲美。

原创 pyrosetta下载及安装（linux服务器）

PyRosetta开发环境配置（）linux服务器

转载 一些关于医学科研的好用网站（转载）

医学科研数据库

原创 深度学习构建肿瘤依赖性图谱

AI制药：深度学习预测基因与肿瘤的依赖性

原创 利用pytorch的载入训练npy类型数据代码

utilsimport osimport sysimport jsonimport pickleimport randomimport imageioimport numpy as npimport torchfrom tqdm import tqdmdef train_one_epoch(model, optimizer, data_loader, device, epoch): model.train() loss_function = torch.nn.C.

原创 深度学习中对各模块总结

关于BN层的理解【深度学习】深入理解Batch Normalization批标准化 - 郭耀华 - 博客园

原创 医学图像的数据预处理

import numpy as npimport torchio as tiofrom torch.utils.data import DataLoaderimport torchimport nibabel as nibfrom torchio.transforms import ( RandomFlip, RandomAffine, RandomElasticDeformation, RandomNoise, RandomMotion, Ran.

原创 NII文件和nrrd文件的随意转换

import osfrom glob import globimport numpy as npimport vtkdef readnrrd(filename): """Read image in nrrd format.""" reader = vtk.vtkNrrdReader() reader.SetFileName(filename) reader.Update() info = reader.GetInformation() retur.

原创 影像组学特征提取工具

pyradiomics官方文档学习(2)--Hello Feature Class - 简书大佬的笔记，包含代码和使用说明Welcome to pyradiomics documentation! — pyradiomics v3.0.1.post11+g03d23f7 documentationpyradiomics官网

转载 多个单张IMA转一个nii

前言在使用私有的数据集进行深度学习工作时，往往需要对dicom数据序列进行预处理。由于dicom文件格式的多样性，在原始的数据下进行诸如查看和打标签的工作变得困难。本文将介绍如何使用dcm2niix这个工具进行dicom到nii.gz格式的转换。测试环境：Windows10 + python3工具准备可以直接下载工具包，选择相应的系统版本即可：https://github.com/rordenlab/dcm2niix/releases也可以使用MRIcroGL 中集成的dcm2niix工具

原创 医疗图像ROI区域根据标注自动提取

import numpy as npimport torchio as tiofrom torch.utils.data import DataLoaderimport torchimport nibabel as nibz=0while z<999: z = z+1 subject = tio.Subject( chest_ct=tio.ScalarImage(fr'C:\Users\Admin\Desktop\EGFR total\EGFRzhon.

原创 3d医学图像数据载入（）torchio库

import一堆东西先（不一定全用上）from glob import globfrom os.path import dirname, join, basename, isfileimport syssys.path.append('./')import csvimport torchfrom medpy.io import loadimport numpy as npfrom PIL import Imagefrom torch import nnimport torch.n.

原创 pytorch关于数据载入的代码

pytorch关于数据载入的代码

原创 python关于图片处理的小工具

将数组保存为TXTnp.savetxt("./result.txt", img_arr,fmt ='%d')将数组保存为图片import numpy as npimport matplotlib.pyplot as pltx = np.array([[1, 2, 3], [4, 5, 6]], np.int32)plt.imshow(x)plt.savefig("array")

原创 中科院医工所工作笔记：数据量少多分割问题

面对标注数据量非常少（影像科医生是稀有资源）的多分类问题引用一篇大佬的论文Inf-Net: Automatic COVID-19 Lung Infection Segmentation From CT Images这篇论文被IEEE收录并且置顶，最良心的是作者放出代码。论文灵感：源于临床医生在肺部感染检测过程中，首先对感染区域进行粗略定位，然后根据局部症状准确提取其轮廓。因此，我们认为区域和边界是区分正常组织和感染的两个关键特征。因此，我们的网络首先预测粗糙区域（PPD），然后通过反向注意和边

原创 人工智能（模式识别）学习笔记：目录

人工智能学习笔记1：多元高斯分布简单介绍多元高斯分布的形状及特性人工智能学习笔记2：贝叶斯决策理论part1介绍贝叶斯决策：决策准则（最小错误率准则、最小风险准则、neyman、最小最大决策准则）通过这些准则建立判别函数，构建决策面。判别函数中用到多元高斯分布人工智能学习笔记3：贝叶斯决策理论part 2参数估计：ML（最大化似然函数实现）似然函数（高斯分布参数下观测到样本集x的概率密度）似然函数求解还是使用梯度，所以条件必须连续可导。人工智能学习笔记4：贝叶斯...

原创 人工智能学习笔记4：贝叶斯决策理论part 3（贝叶斯估计）

贝叶斯估计与最大似然数估计的不同结论

原创 人工智能学习笔记11：Parzen 窗神经网络

Parzen 窗算法（复习）PNN第一步（归一化）第二步（构建判别函数）

原创 人工智能学习笔记10：层次聚类、CNN竞技神经网络

CNN完成聚类

原创 数据标注员工作笔记：将文件内数据输出为cxcel

import osimport csvpath=r"C:\huangyaoqi_vendor\桌面\新建文件夹"filelist=os.listdir(path)result=[]for dir in filelist: realpath=path+'\\'+dir if(os.path.isdir(realpath)): filelist2=os.listdir(realpath) tempresult=[] tempresult

原创 人工智能学习笔记9：无监督学习与聚类

无监督学习与监督学习的差别一般公司都是招聘数据标注员人工标注为什么要学无监督学习？第一类：基于概率密度函数估计的方法非监督参数估计我们有一个没有标标签的数据集许多PDF构成这个模型我们对这个模型使用最大似然数估计试试看涉及混合高斯分布，我们使用EM算法(不要慌)我在下面写了中文这种情况，主轴方向不变，参数只与中心变量µ 有关妈耶！英文看起来太累，试一试中文的解释西电EM算法课程最终结果我写出来在这里：欧氏距离：马氏距离有了两个距离我

原创 人工智能学习笔记7：张量求导、反向传播

张量求导、反向传播基础知识链式法则与求偏导多个求偏导一个完整的传播（已经完成了一次完整的正向传播就可以得到这个）反向传播（求偏导）详情

原创 人工智能学习笔记8：BP算法的实用技术、神经网络在参数估计上的应用、径向基神经网络

BP算法的实用技术

原创 人工智能学习笔记6：人工神经网络（活起来的脑细胞）

ANN最简单的ANN：三层感知器看看几类常见的激活函数加入高斯核函数可以激活成多维的如何让神经网络活起来如何让这条活得神经网络学习起来学习起来我们必须要有训练集：好比人类需要看书才能学习一样根据训练集的不同，我们可以将学习方式分别为总结多层感知机有这几块构成：有一种特殊情况神经网络监督学习（BP算法）...

原创 数据标注员工作笔记：文档内有无文件筛选

代码源自不愿意姓名的志华哥import osList=[]None_list=[]Path = '/home/SENSETIME/huangyaoqi_vendor/下载/~标准人物库'def Discriminate_file(Path,List,None_list): for file in os.listdir(Path): file_path = os.path.join(Path, file) if os.path.isdir(file_

原创 虎书学习笔记6：图形学基础数学（重心坐标系、三维三角形）

关于图形学的基础数学知识基础数学线性插值三角形重心坐标系：设定坐标原点a，a到b和c为基向量。构成非直角坐标系重心坐标系长这样重心坐标系特点：重心坐标系优点：例如城市街道交叉不成为直角，这时候重心坐标系就管用已知点p如何求重心坐标变成这个：用几何方法解：另外一种几何方法利用p求重心三维三角形...

原创 虎书学习笔记5：图形学基础数学（三维隐式曲面、三维参数曲面）

关于图形学的基础数学知识基础数学三维隐式曲面隐式曲面的法向量隐式曲面公式2-23与2-22等价，但是2-22简单易看懂简洁的数学表示能使代码简洁，复杂的数学容易使代码臃肿隐式曲面的三维曲线三维参数直线三维参数曲面：二维参数确定三维曲面参数球面参数球面方向求角度参数...

原创 python基础语法

原创 人工智能学习笔记5：非参数估计（parzen窗方法、KM近邻算法）

非参数估计得目的下面介绍三种实例第一：利用可用数据估计先验概率分布第二：直接估计后验概率分布第三：特征空间投影降维度我们先表诉一下PDF与概率P的关系：P：概率x：通用符号这样看来，我们想估计出P，我们就必须估计出PDF假设我们收集了n个数据的随机样本 x1…xn(独立同分布)n个数据中的k个在R中,我们的估计就可以写成接下来：如果pdf连续且变化不大在区域R中：就有这个（V是R的体积）联立一下上述两个公式，我们可以得到这个这个是我们设想的情况：实际情况为了获取

原创 人工智能学习笔记3：贝叶斯决策理论part 2（最大似然数估计ML）

上一部分讲了贝叶斯决策的基本概念和使用它来做分类器（判别函数、决策面）接下来引入最大似然估计和贝叶斯参数估计每个样本集中的样本都是所谓 独立 同分布的随机变量【任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立，那么这些随机变量是独立同分布。】，且有充分 的训练样本类的条件概率密度估计（非常难），可分为这两类说到那么难的一个问题，所以我们本章的重点就是：试试用最大似然数估计解决这个问题初始化一下条件单个参数ML估计介绍一下那个未知参数的含义要解决的问题：

原创 人工智能学习笔记2：贝叶斯决策理论part1（BAYES基本准则、决策面、分类器）

贝叶斯决策必须符合的要求模式识别基础概念：特征空间、特征向量、类型空间，最小错误率准则例子最小风险准则最小风险贝叶斯决策： 考虑各种错误造成损失不同而提出的一种决策规则。MR最小风险概率估计举个例子看看这两个准则在实际中的应用因为无法将其判断所以我们需要引入第三个准则根据似然数比：先验未知无法MAR，损失未知无法MRNeyman-Pearson 准则假定先验概率是一个确定的值 ，此时判定结果会受到先验概率的影响 。最小最大决策准则： 在最差的条件下 争

原创 人工智能学习笔记1：多元高斯分布

我们先回顾单变量正态分布密度函数：单变量高斯分布

原创 虎书学习笔记4：图形学基础数学（隐式二维直线、隐式二次曲线、二维参数曲线、二维参数直线、二维参数圆）

关于图形学的基础数学知识基础数学隐式二维直线我们最熟悉的直线：斜截式他的隐式方程为：我们再函数y-mx-b=0两边同乘一个系数，将得到一摸一样的直线。因为两个点觉得一条直线，所以必然满足：这里面有三个位置数，我们可以假设C=1，于是有Ax+By+1=0，看似没毛病，但是斜率45度x=y这种直线就没办法用这个表示出来了。所以我们引入梯度，找到一个高级的表示隐式二维直线的方法：接下来我们使用梯度的方法对直线进行描述：总结为必然有一个过（x0,y0）(x1,y1)的直线与向量（A，B）垂

原创 虎书学习笔记3：图形学基础数学（正交基与坐标系、二维梯度）

#关于图形学的基础数学知识#基础数学)##标准正交基与坐标系（单位向量互相垂直构成坐标系）任意两个二位向量，只要他们正交，长度为单位长度，就可构成一个标准正交基三维中三个向量符合这个条件也构成标准正交基全局模型储存在的坐标系：全局坐标系另外的原点p，标准正交基不同的坐标系，我们就要显示储存这些向量。这样的坐标系我们称为参考坐标系。例如：飞机模拟器我们有一个全局坐标系我们也还需要一个位于飞机体的坐标：参考坐标系参考坐标系能通过全局坐标系转换得来（转换矩阵）##单位向量建立正交基（建

原创 虎书学习笔记2：图形学基础数学（向量、点积、叉积、）

关于图形学的基础数学知识基础数学向量：一个向量包含长度和方向。可以用来表示偏移量、位移。向量运算：交换律、向量与笛卡尔坐标系：两个不平行的非零向量称为线性独立，这两个向量可以构成二维基，这两个向量叫基向量。所以导致任一二维向量c可以由两个互不平行的二维向量a、b的加权表示点积：两个向量相乘就是点积。点积不仅与长度相关还与夹角相关点积可以求投影、遵循交换律、结合律、分配律。叉积：...