非监督学习
junjian Li
如若前路不明,请俯首看脚下.
展开
-
RTX2080 实验 faiss
1.在服务器上面创建cuda10容器2.安装anaconda3.然后安装pytorch:conda install pytorch torchvision cudatoolkit=10.04.创建虚拟环境:conda create -n pytorch27 python=2.7然后进入到创建的虚拟环境:conda activate pytorch27然后在虚拟环境中安装pytorch:conda install pytorch torchvision cudatoolkit=10.1原创 2020-07-26 23:09:23 · 1489 阅读 · 0 评论 -
论文研读TOWARDS UNSUPERVISED CANCER SUBTYPING: PREDICTING PROGNOSIS USING A HISTOLOGIC VISUAL DICTIONARY
TOWARDS UNSUPERVISED CANCER SUBTYPING: PREDICTING PROGNOSIS USING A HISTOLOGIC VISUAL DICTIONARYAbstract:与前列腺癌和乳腺癌等常见癌症不同,因为样本量小,罕见癌症的肿瘤分级非常困难,而且在很大程度上不确定,完成这项任务需要大量时间,以及提取人类观察到的模式的固有困难。最具挑战性的例子之一是肝内胆管癌(ICC),这是一种源于胆道系统的原发性肝癌,其肿瘤异质性已被公认,且没有分级范式或预后标志物(no g原创 2020-07-06 17:31:54 · 270 阅读 · 0 评论 -
Unsupervised Subtyping of Cholangiocarcinoma Using a Deep Clustering Convolutional Autoencoder
摘要与前列腺癌和乳腺癌等常见癌症不同,罕见癌症的肿瘤分级很困难,而且很大程度上是不确定的,因为样本量小,承担这样的任务需要大量的时间和经验,而且提取人类观察到的模式本身就很困难。最具挑战性的例子之一是肝内胆管癌(ICC),这是一种起源于胆道系统的原发性肝癌,其肿瘤异质性是公认的,并且没有分级范例或预后生物标志物。本文提出了一种新的基于无监督深卷积自动编码器的聚类模型,该模型基于视觉相似性将246张数字化整张幻灯片中的肿瘤细胞形态和结构形态组合在一起。基于这种组织学模式的视觉字典的群集被解释为新的ICC亚型原创 2020-05-29 16:57:07 · 368 阅读 · 2 评论 -
Unsupervised Feature Learning via Non-Parametric Instance Discrimination
论文地址:Unsupervised Feature Learning via Non-Parametric Instance Discriminationgithub代码:NCE代码摘要:在有标签数据上训练的神经网络分类器能够很好的捕捉图片间的视觉相似性。文章假设:我们能通过训练基于实例(将每一个样本视为单独的类别)的分类器代替基于类别的分类器,得到可以捕捉视觉相似性的特征表达。我们将其总结...原创 2019-12-13 16:54:45 · 680 阅读 · 0 评论 -
关于聚类方法集评价方法的简单调研
目录1、介绍 2、样本聚类距离 3、常见聚类方法 –3.1.层次聚类 –3.2.K-means聚类 –3.3.DBSCAN聚类 4、评价指标 –4.1 样本实际类别信息已知 –4.2 样本实际类别信息未知1、介绍无监督学习:无监督学习是一种机器学习技术,用于查找数据中的模式。无监督学习是指只有输入数据(X)而没有相应的输出变量。无监督学习的目标是对数据中的底层结构或分布进行建...原创 2019-10-16 16:33:14 · 1395 阅读 · 0 评论