U-net(2)

1.U-net:详细介绍：https://blog.csdn.net/u012931582/article/details/70215756

                              https://blog.csdn.net/natsuka/article/details/78565229（用于细胞分割，有损失函数）

2.关于keras初步了解。手写数字识别：https://www.cnblogs.com/yqtm/p/6924939.html

3.损失函数：是真实的，是预测的，已经实现的代码用这个函数。

4：数据的归一化和标准化：详细请见：https://blog.csdn.net/everlasting_188/article/details/53494737

4.1 归一化：归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。

由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james）
1、线性函数转换，表达式如下：
y=(x-MinValue)/(MaxValue-MinValue)
说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
2、对数函数转换，表达式如下：
y=log10(x)
说明：以10为底的对数函数转换。
3、反余切函数转换，表达式如下：
y=atan(x)*2/PI

归一化是为了加快训练网络的收敛性，可以不进行归一化处理

4.2 标准化

数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。由于信用指标体系的各个指标度量单位是不同的，为了能够将指标参与评价计算，需要对指标进行规范化处理，通过函数变换将其数值映射到某个数值区间。

１.最小－最大规范化(线性变换)

y=( (x-MinValue) / (MaxValue-MinValue) )(new_MaxValue-new_MinValue)+new_minValue

2.z-score规范化(或零－均值规范化)

y=(x-X的平均值)／X的标准差#已经运行出来的实验用了这个方法：

优点：当X的最大值和最小值未知，或孤立点左右了最大－最小规范化时， 该方法有用

３.小数定标规范化：通过移动X的小数位置来进行规范化

y= x/10的j次方 (其中,j使得Max(|y|) <1的最小整数

４.对数Logistic模式：

新数据=1/（1+e^(-原数据)）

５.模糊量化模式：

新数据=1/2+1/2sin[派3.1415/（极大值-极小值）*

（X-（极大值-极小值）/2） ] X为原数据