qq_40147888-CSDN博客

原创人工神经网络中为什么ReLU要好过于tanh和Sigmoid function

人工神经网络中为什么ReL要好过于tanh和Sigmoid function采用SIgmoid等函数，算激活函数时（指数运算），计算量大，反向传播求误差梯度时，求导涉及求导和指数运算，计算量相对大，而采用ReLU激活函数时，整个过程的计算量节省很多。对于深层网络，sigmoid函数反向传播时，很容易出现梯度消失的情况（在Sogmoid接近饱和区时，变换太缓慢，导致趋于0，这种情况会造成信息丢失），这种现象称为饱和，从而无法完成深层网络的训练。而ReLU就不会有饱和倾向，不会有特别小的梯度出现。Re

2021-05-31 10:59:50 467

原创 MobileNets详解

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录一、前言二、摘要1.引入库2.读入数据总结一、前言这篇论文是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，取名为MobileNets。个人感觉论文所做工作偏向于模型压缩方面，核心思想就是卷积核的巧妙分解，可以有效减少网络参数。论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications民间实现

2021-05-31 10:58:55 528

翻译几种激活函数的比较

前言激活函数：用来加入非线性因素的，因为线性模型的表达能力不够比如下图的数据比较简单是线性可分的，一条直线就可以对样本进行分类了：但是如果碰到下面的情况，数据变成线性不可分的时候，一条直线根本无法很好地对数据进行分类，这样就引入非线性因素，而激活函数恰好能够做到这点：一、Sigmoid函数用于隐层神经元输出函数图像为：优缺点：输出映射在(0, 1)之间，用于输出层，求导容易。缺点：容易产生梯度消失，导致训练出现问题，输出不是以0为中心的。二、tahn函数区间位于[-11, 1]

2021-05-31 10:58:25 655

原创荧光染色切片病理分析算法（深度学习+机器学习）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、细胞分割及计数（Mask-RCNN）二、阳性信号定位（基于Kmeans）1.绿色通道阳性定位2.红色通道阳性定位三、细胞分割及阳性定位结果整合总结前言在生物科研或病理领域，有一类片子叫荧光染色（免疫荧光），通过对不同的组织进行不同的光学处理，使得最终的片子中，不同的光色对应不同的组织。本帖是作者经手的一个项目，分析免疫荧光的基础数据，如细胞个数、阳性面积等作为生物或者病理研究的基础数据。一般免疫荧光有四个通道的图片，

2021-05-11 16:07:40 4507 4

原创 OCR电子发票批量自动合成软件

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、程序语言和库二、代码解析1.打开pdf2.pdf转存为png并读取3.ocr及发票合成部分4.结果展示5.全部代码总结前言首先介绍一下需求，我是突然接到的财务部门的需求，需要自动合成电子发票，利用两个pdf，一个是固定的发票模板，一个是财务平台导出的发票内容文件，合成最终的电子发票。![电子发票内容](https://img-blog.csdnimg.cn/20210310101938328.png?x-oss

2021-05-11 16:06:22 1735 1

原创 Unet组织分割

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、原图数据二、标签图片三、结果展示总结前言本文是关于一个组织分割的项目，尝试了UNet和一些轻量网络如MobileNet等，数据标签是我司数据团队自己准备的，这里不做分享。由于Unet的网络结构网上已经有很多，这里也不作技术性的说明，仅展示一下结果。一、原图数据一共3430张不同的组织图片。二、标签图片这些是数据团队准备的Annatation转换为mask的数据。三、结果展示检测结果如下面几张图所示。

2021-05-11 16:04:23 405

原创机器学习模型自动训练软件（pyqt5）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言在免疫组化片子的分析中，一般有两种方法用来评估阳性指标。一种是完全基于颜色识别，精确到像素级的分类，和像素级的语义分割稍有区别，感受野为1个像素。还有一种评估方法则是识别出所有的细胞，对细胞内部的像素颜色进行统计，这一步也是像素级。所以精确的像素级颜色识别对组化阳性对免疫组化的分析至关重要。由于颜色的识别需要精确到每一个像素，对每个像素做标签是不现实的，所

2021-05-11 16:02:34 1876 1

原创特殊染色切片颜色识别（机器学习）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言在生物科研和病理领域有一类特殊染色切片，大概就是用特殊的颜色染病变或者非病变的组织。我们自研的生物AI软件也包括这类软件的分析。这个分析的基础需要识别颜色，所以开发了一个颜色分类算法。目前我们已经开发的特殊染色的颜色分类算法主要针对三种染色切片：油红染色、masson及天狼猩红白光，油红染色如下图所示，这里只选了两张情况不同的，实际应用中来自各地医院高校的

2021-05-11 16:01:55 1256

原创 Pytorch深度学习实战教程（三）：UNet模型训练

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录一、前言二、项目背景三、UNet训练1.数据加载2.模型选择总结一、前言本文属于Pytorch深度学习语义分割系列教程。该系列文章的内容有：Pytorch的基本使用语义分割算法讲解二、项目背景深度学习算法，我飞就是我们解决一个问题的方法。选择什么样的网络去训练，进行什么样的预处理，采用什么Loss和优化方法，都是根据具体的任务而定的。所以，让我们先看一下今天的任务。没错，就是UNet论文中的经典任务：医学图像分割

2021-05-11 15:47:50 4231 4

原创 Pytorch深度学习实战教程（二）：UNet语义分割网络

一、前言本文属于Pytorch深度学习语义分割系列教程。该系列文章的内容有：Pytorch的基本使用语义分割算法讲解如果不了解语义分割原理以及开发环境的搭建，请看该系列教程的上一篇文章《Pytorch深度学习实战教程（一）：语义分割基础与环境搭建》。本文的开发环境采用上一篇文章搭建好的Windows环境，环境情况如下：开发环境：Windows开发语言：Python3.7.4框架版本：Pytorch1.3.0CUDA：10.2cuDNN：7.6.0本文主要讲解UNet网络结构，以及相应

2021-05-11 15:47:29 1109 1

原创 Pytorch深度学习实战教程（一）：语义分割基础与环境搭建

一、语义分割是什么？语义分割(semantic segmentation): 就是按照“语义”给图像上目标类别中每一点打一个标签，使得不同种类的东西在图像上被区分开来。可以理解成像素级别的分类任务，直白点，就是对每个像素进行分类。简而言之，我们的目标是给定一幅RGB彩色图像（高x宽x3）或一幅灰度图像(高x宽x1),输出一个分类图谱，其中包括每个像素的类别标注（高x宽x1）。具体如下图所示：注意：为了视觉上清晰，上面的预测图是一个低分辨率的图。在实际应用中，分割标注的分辨率需要与原始图像的分辨率相同

2021-05-11 15:47:08 863

原创 PaddleX模型C++部署，python/c++交互（二）

PaddleX模型C++部署后Python调用并读取dll返回数据提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录PaddleX模型C++部署后Python调用并读取dll返回数据前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越

2021-05-11 15:41:23 1101

原创 PaddleX模型C++部署，python/c++交互（一）

PaddleX模型C++部署，dll生成及python初步调用绪言一、准备工作二、利用CMake软件进行编译三、生成dll四、使用python初步调用生成好的dll（这里暂不能传输结果数据）附言绪言之前由于项目需求需要用c++来推理PaddleX模型，Python读取预测结果，过程中遇到不少问题，遂写这篇帖子记录及分享用，也是本人第一次写技术贴。目前PaddleX GUI囊括了四大类模型，检测、分类、语义分割、实例分割，我对这四种模型的推理代码都做了c++部署。参考技术贴：https://zhuan

2021-05-11 15:40:39 1700

qq_40147888的博客