jc菜鸟教程-CSDN博客

原创【python绘图字体】安装Times New Roman

在服务器上使用matplotlib绘图时，指定字体为新罗马，报错。在自己电脑上找到字体文件。复制到服务器对应位置。

2024-01-04 16:12:43 683

原创【多实例学习】

多示例学习中的关键是找到示例与包之间的逻辑关系。常见的有三种【1】实例平均池化【2】最大池化【3】基于注意力机制的方法注意力机制（Attention Mechanism）是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。通俗且不是很严谨的说，就是一种被赋予了直观意义的权重，它决定着哪一部分信息更加重要。与上文结合来说，(1)和(2)可以认为是多示例问题中的一种硬性注意力。(1)中每个示例的注意力权重可以认为是1/n。

2023-12-26 18:46:24 422

原创【交叉验证】bootstrapped 5-fold nested cross validation

其二、由于是对相同数据进行误差估计，所以会导致较高的偏差（当用可能的模型最佳超参数对相同的训练集和测试集进行误差的计算时，模型是有偏的，会导致较大偏差）。如果满足以上两个标准，就可以考虑使用嵌套交叉验证来计算数据，得到几乎无偏的估计误差，从而对比不同算法的表现。是指带有搜索模型最佳超参数功能的交叉验证，目的是给外层循环提供模型的最佳超参数。来创建数据的多个子集。是给内层循环提供训练数据，同时保留部分数据，以作对内层循环模型的测试。通过这样的方式，可以防止数据的信息泄漏，以得到相对较低的模型评分偏差。

2023-11-23 16:39:09 930

原创【CPU占用】深度学习

主要针对pytorch框架。

2023-11-07 21:46:52 78

原创【脑电】蒙太奇标准 montage

指在电极上记录的电位（我们称之为原始信号）与参考节点（例如连接到左耳的电极）之间的差异（差分电压记录信号）。在TUH数据集中，使用了**（1）平均参考（AR）和（2）链接耳朵参考（LE）。AR蒙太奇使用一定数量电极的平均值作为参考。LE montage使用引线适配器连接左右耳，提供更稳定的参考点。在TUEG中，LE和01_tcp_AR，02_tcp_LE，03_tcp_AR_a和04_tcp_e_a。每个蒙太奇都是基于所包含的信道类型。

2023-10-24 22:01:54 868

原创【数据结构code】哈希表

储存第一个字符串中的每个字母出现的频次。在第二个数组中，减去每个字母出现的频次。此处字符串只包含了26小写字母，因此可以使用。需要保证每个字母出现的数量一样，即为有效—>true。因此需要判断某个字母是否在集合中---->哈希表。先创建数组，指定大小为26。

2023-09-26 16:43:31 26

原创【数据结构学习】哈希表

总结一下，当我们遇到了要快速判断一个元素是否出现集合里的时候，就要考虑哈希法。但是哈希法也是牺牲了空间换取了时间，因为我们要使用额外的数组，set或者是map来存放数据，才能实现快速的查找。如果在做面试题目的时候遇到需要判断一个元素是否出现过的场景也应该第一时间想到哈希法！

2023-09-26 16:16:53 26

原创【数据结构学习】队列与栈

先进后出，后进先出，并且只能在栈顶进出先进先出！操作：入队enqueue：放一个数据到队列尾部出队dequeue：从队列头部取一个元素队列也是一种操作受限制的线性表数据结构。

2023-09-07 10:52:02 26

原创【数据结构code】链表

如果再定义一个新的链表，实现链表元素的反转，其实这是对内存空间的浪费。循环内部定义了temp指针。虚拟头节点的使用技巧。

2023-08-25 10:48:03 39 1

原创【数据结构学习】链表

离散，分配机制取决于操作系统的内存管理链表是通过指针域的指针链接在内存中各个节点。所以链表中的节点在内存中不是连续分布的，而是散乱分布在内存中的某地址上，分配机制取决于操作系统的内存管理。

2023-08-25 10:25:40 59 1

原创【数据结构学习】Day1 数组

因为数组在内存空间的地址是连续的，所以在删除或者增添元素的时候，需要移动其他元素的地址。C++中二维数组在地址空间上是连续的。1、数组在内存中的存储方式。上的相同类型数据的集合；获取到下标对应的数据。

2023-08-25 09:17:29 33 1

原创【数据结构code】Day1

二分法是非常重要的基础算法，为什么很多同学对于二分法都是一看就会，一写就废？其实主要就是对区间的定义没有理解清楚，在循环中没有始终坚持根据查找区间的定义来做边界处理。区间的定义就是不变量，那么在循环中坚持根据查找区间的定义来做边界处理，就是循环不变量规则。本篇根据两种常见的区间定义，给出了两种二分法的写法，每一个边界为什么这么处理，都根据区间的定义做了详细介绍。

2023-08-22 17:46:08 32 1

原创【报错】ValueError: Unable to create dataset (name already exists)

将 ‘.h5’ 保存为 ‘.tf’ 但是还是报错，这样 .tf是一个文件。将保存下来的h5文件读取一下。添加图层的初始化参数。

2023-07-26 22:12:02 871 1

原创【mask_demo2】

【代码】【mask_demo2】

2023-07-20 12:02:54 36 1

原创【tf.where()】理解

保留a中，condition中true的位置。其余位置用b的对应位置去填。

2023-07-13 20:11:34 41 1

原创【读文献】Interpretable Seizure Classification Using Unprocessed EEG With Multi-Channel Attentive Feature

癫痫发作类型的识别在癫痫的临床诊断和治疗中起着至关重要的作用。然而，癫痫类型的临床评估高度依赖于观察到的医学症状和进行评估的癫痫学家的经验。一个关键的诊断工具是脑电图(EEG)，它可以捕捉大脑活动，并可用于确定癫痫发作的类型。脑电图通道在癫痫发作后表现出非平稳和动态的行为，每个脑电图通道根据癫痫发作类型和癫痫病灶表现出独特的特征。本文提出了一种新颖的深度学习架构，利用来自10-20布局的原始头皮EEG数据进行注意力驱动数据融合在每个通道上训练独立的浅深度网络。

2023-04-26 11:37:34 86

原创【读文献】A Spatiotemporal Graph Attention Network Based on Synchronization for Epileptic Seizure Predict

在本节中，我们提出了一个基于同步的癫痫发作预测模型，该模型由三个步骤组成。图1说明了我们方法的主要工作流程。首先对原始脑电信号进行处理，计算其PLV，得到不同通道的同步信息，完成图的构建。具体内容见第II-B节。然后，使用特征向量和电极相关矩阵作为STGAT层的输入，获取脑电的时空信息，这在第II-C节中介绍。最后，在全连通层上获取识别结果，并输入融合模型的输出结果。第II-D节是所提出的癫痫发作预测模型的算法描述。图2描述了基于脑电图的时空信息提取过程。

2023-04-20 11:13:45 287

原创【Pytorch小土堆学习笔记】神经网络

官方文档在docs->torch.nn->Containers->Module。

2023-04-18 16:40:12 121

原创【深度学习】自监督学习

BERT可以做的事情也就是Transformer 的 Encoder 可以做的事情，就是输入一排向量，输出另外一排向量，输入和输出的维度是一致的。而自监督的 Pretrain - Finetune 流程：首先从大量的无标签数据中通过 pretext 来训练网络，得到预训练的模型，然后对于新的下游任务，和监督学习一样，迁移学习到的参数后微调即可。利用**辅助任务（pretext）**从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。

2023-04-13 16:15:04 331

double_double_的博客