<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_40602790的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/qq_40602790</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq_40602790]]></copyright><item><title><![CDATA[分组卷积和空洞卷积总结]]></title><link>https://blog.csdn.net/qq_40602790/article/details/125026846</link><guid>https://blog.csdn.net/qq_40602790/article/details/125026846</guid><author>qq_40602790</author><pubDate>Sun, 29 May 2022 09:05:59 +0800</pubDate><description><![CDATA[分组卷积和空洞卷积总结]]></description><category></category></item><item><title><![CDATA[图像多尺度特征融合、特征金字塔总结]]></title><link>https://blog.csdn.net/qq_40602790/article/details/124079984</link><guid>https://blog.csdn.net/qq_40602790/article/details/124079984</guid><author>qq_40602790</author><pubDate>Sun, 10 Apr 2022 16:08:57 +0800</pubDate><description><![CDATA[图像多尺度特征融合、特征金字塔总结]]></description><category></category></item><item><title><![CDATA[图像中的注意力机制 Pytorch实现]]></title><link>https://blog.csdn.net/qq_40602790/article/details/124000216</link><guid>https://blog.csdn.net/qq_40602790/article/details/124000216</guid><author>qq_40602790</author><pubDate>Wed, 06 Apr 2022 21:15:50 +0800</pubDate><description><![CDATA[图像中的注意力机制 Pytorch实现]]></description><category></category></item><item><title><![CDATA[ConvNext-Pytorch实现心肾脾胰器官分割]]></title><link>https://blog.csdn.net/qq_40602790/article/details/123881521</link><guid>https://blog.csdn.net/qq_40602790/article/details/123881521</guid><author>qq_40602790</author><pubDate>Thu, 31 Mar 2022 19:58:38 +0800</pubDate><description><![CDATA[一、论文

论文介绍：https://mp.weixin.qq.com/s/XrWkD0UEomnt0l-8dc5hWg
原文：https://arxiv.org/abs/2201.03545

我的code（四分类分割）：ConvNext_Seg: Pytorch复现ConvNext网络，实现心肾脾胰器官分割(2D) (gitee.com)

   作者认为VIT的优异之处在于它本身的独特优异。这里介绍的ConvNeXt就是CNN的一个很好的反击，它在保持CNN结构的基础之上，通过“抄袭”SwinT...]]></description><category></category></item><item><title><![CDATA[Unet 细胞分割]]></title><link>https://blog.csdn.net/qq_40602790/article/details/123876522</link><guid>https://blog.csdn.net/qq_40602790/article/details/123876522</guid><author>qq_40602790</author><pubDate>Thu, 31 Mar 2022 16:31:31 +0800</pubDate><description><![CDATA[unet 细胞分割 模板（多分类）]]></description><category></category></item><item><title><![CDATA[Pytorch 实现下采样的方法（卷积和池化）]]></title><link>https://blog.csdn.net/qq_40602790/article/details/123692342</link><guid>https://blog.csdn.net/qq_40602790/article/details/123692342</guid><author>qq_40602790</author><pubDate>Wed, 23 Mar 2022 17:52:59 +0800</pubDate><description><![CDATA[# 卷积核大小和下采样实现

标签（空格分隔）： 深度学习
https://www.zhihu.com/question/307839910(卷积下采样和池化下采样的区别)
---

### 1.下采样的实现：maxpooling 或者 conv,k=2,s=2 实现下采样两倍(池化下采样比较粗暴，可能将有用的信息滤除掉，而卷积下采样过程控制了步进大小，信息融合较好)
```
    self.conv_downsampling = nn.Conv2d(3,3,kernel_size=2,strid...]]></description><category></category></item><item><title><![CDATA[constant,Variable,placeholder]]></title><link>https://blog.csdn.net/qq_40602790/article/details/88411661</link><guid>https://blog.csdn.net/qq_40602790/article/details/88411661</guid><author>qq_40602790</author><pubDate>Mon, 11 Mar 2019 22:41:44 +0800</pubDate><description><![CDATA[1.constant

value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或......）

dtype：数据类型，选填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）

shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数、维度更...]]></description><category></category></item><item><title><![CDATA[C语言实现链表的操作]]></title><link>https://blog.csdn.net/qq_40602790/article/details/88028382</link><guid>https://blog.csdn.net/qq_40602790/article/details/88028382</guid><author>qq_40602790</author><pubDate>Thu, 28 Feb 2019 14:49:36 +0800</pubDate><description><![CDATA[#include &amp;lt;stdio.h&amp;gt;
#include &amp;lt;stdlib.h&amp;gt;
typedef struct zy
{
  int num;
  struct zy *next; //指向结构体类型的指针
}yh;


int ListLength(yh *head)
{
  yh *p=head;
  int size=0;
  while(p-&amp;gt...]]></description><category></category></item><item><title><![CDATA[TensorFlow—理解实现神经网络的步骤]]></title><link>https://blog.csdn.net/qq_40602790/article/details/83065829</link><guid>https://blog.csdn.net/qq_40602790/article/details/83065829</guid><author>qq_40602790</author><pubDate>Mon, 15 Oct 2018 22:24:57 +0800</pubDate><description><![CDATA[TensorFlow
一、张量、计算图、会话
     1.张量：{名字、维度、类型}，在TensorFlow中随便定义一个变量，输出后为张量类型。但必须在sess 三中run.
    2.计算图：最前面定义变量和各个公式的整个框架，最后使用sess实现。
    3.会话：这是比较重要的一个步骤，前面搭建好计算图后在tf.Session 中实现每一个步骤，其中有全局变量初始化函数：tf.glo...]]></description><category></category></item><item><title><![CDATA[TensorFlow—mnist手写识别]]></title><link>https://blog.csdn.net/qq_40602790/article/details/83046392</link><guid>https://blog.csdn.net/qq_40602790/article/details/83046392</guid><author>qq_40602790</author><pubDate>Sun, 14 Oct 2018 13:16:07 +0800</pubDate><description><![CDATA[神经网络：
重点在阙值和w，因为y=w1*x1+w2*x2+w3*x3...
激活函数：在隐藏层，每个输出点带入激活函数，然后再继续向后，最后输出的y预测值不需要激活
损失函数：定义的形式（三种）：均方误差（西瓜书）、自定义需要的参数、交叉熵（吴恩达里面定义的有log的损失函数）

优化神经网络方法：1.定义合适的损失函数loss、选择合适的激活函数、2.不断更新学习率（梯度下降的学习率）、3.创...]]></description><category></category></item><item><title><![CDATA[TensorFlow—实现简单神经网络]]></title><link>https://blog.csdn.net/qq_40602790/article/details/83046379</link><guid>https://blog.csdn.net/qq_40602790/article/details/83046379</guid><author>qq_40602790</author><pubDate>Sun, 14 Oct 2018 13:12:36 +0800</pubDate><description><![CDATA[
#该神经网络有x1，x2两个输入
#隐藏层有3个神经元   所以w1为2*3矩阵
#输出只有一个y    所以w2为3*1 矩阵

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import numpy as np
BATCH_SIZE = 8
seed=23455
#基于seed产生随机数
...]]></description><category></category></item><item><title><![CDATA[sklearn简单实现鸢尾花实例svm分类器]]></title><link>https://blog.csdn.net/qq_40602790/article/details/82859803</link><guid>https://blog.csdn.net/qq_40602790/article/details/82859803</guid><author>qq_40602790</author><pubDate>Wed, 26 Sep 2018 21:34:58 +0800</pubDate><description><![CDATA[
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets
#一、数据的获取
iris = datasets.load_iris()
#df=pd.DataFrame(iris.data,columns=iris.feature_names)
#df['ta...]]></description><category></category></item><item><title><![CDATA[小白python学习——机器学习篇——Logistic回归算法（逻辑回归）]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81390414</link><guid>https://blog.csdn.net/qq_40602790/article/details/81390414</guid><author>qq_40602790</author><pubDate>Fri, 03 Aug 2018 16:40:35 +0800</pubDate><description><![CDATA[无]]></description><category></category></item><item><title><![CDATA[小白python学习——机器学习篇——决策树算法]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81295975</link><guid>https://blog.csdn.net/qq_40602790/article/details/81295975</guid><author>qq_40602790</author><pubDate>Tue, 31 Jul 2018 09:19:55 +0800</pubDate><description><![CDATA[一.找到最佳划分特征值

1.计算每一个特征的信息增熵，划分前后数据集熵差以及划分数据集

代码：


def calcshannonEnt(dataSet):
    numEntries = len(dataSet)
    labelCounts = {}
    for featVec in dataSet:
        currentLabel = featVec[-1]
     ...]]></description><category></category></item><item><title><![CDATA[小白python学习——机器学习篇——朴素贝叶斯算法]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81280789</link><guid>https://blog.csdn.net/qq_40602790/article/details/81280789</guid><author>qq_40602790</author><pubDate>Mon, 30 Jul 2018 10:34:18 +0800</pubDate><description><![CDATA[一.大概思路：

1.找出数据集合，所有一个单词的集合，不重复，各个文档。

2.把每个文档换成0,1模型，出现的是1，就可以得到矩阵长度一样的各个文档。

3.计算出3个概率，一是侮辱性的文档概率，二是侮辱性文档中各个词出现的概率，三是非侮辱性文档中各个词出现的概率。

4.二、三计算方法，遍历0,1文档，同一类型加起来除以n*sun（set），得到一个矩阵，里面是各个词语的概率，没有出现就是0...]]></description><category></category></item><item><title><![CDATA[小白python学习——机器学习篇——k-近邻算法（KNN算法）]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81225847</link><guid>https://blog.csdn.net/qq_40602790/article/details/81225847</guid><author>qq_40602790</author><pubDate>Thu, 26 Jul 2018 19:32:24 +0800</pubDate><description><![CDATA[一、算法理解

一般给你一数据集，作为该题目的数据（一个矩阵，每一行是所有特征），而且每一组数据都是分了类，然后给你一个数据，让这个你预测这组数据属于什么类别。你需要对数据集进行处理，如：归一化数值。处理后可以用matplotlib绘制出图像，一般选两个特征绘制x，y轴，然后核心是计算出预测点到各个数据的距离，距离越小越接近正确。选出整个统计数据集的k个，然后概率大的一类作为该数据的分类。

二、...]]></description><category></category></item><item><title><![CDATA[小白python学习——numpy篇——基本知识]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81084309</link><guid>https://blog.csdn.net/qq_40602790/article/details/81084309</guid><author>qq_40602790</author><pubDate>Tue, 17 Jul 2018 16:52:15 +0800</pubDate><description><![CDATA[1.创建数值（矩阵）


import  numpy as np
a=np.arange(4).reshape((2,2))    #第一种用arange来找范围,reshape来确定几行几列
print(a)
b=np.array([[5,5],[6,6]])        #第二种直接array来创建数组
print(b)

print(np.dot(a,b))    #矩阵的乘法
print...]]></description><category></category></item><item><title><![CDATA[小白python学习——matplotlib篇——随机漫步]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81077732</link><guid>https://blog.csdn.net/qq_40602790/article/details/81077732</guid><author>qq_40602790</author><pubDate>Tue, 17 Jul 2018 11:06:05 +0800</pubDate><description><![CDATA[
from random import choice
import matplotlib.pyplot as plt
class RandomWalk():
    def __init__(self,num_points=5000):
        self.num_points=num_points
        self.x_values=[0]
        self.y_valus...]]></description><category></category></item><item><title><![CDATA[小白python学习——matplotlib篇——绘制简单点和直线、颜色，字体大小改变]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81075462</link><guid>https://blog.csdn.net/qq_40602790/article/details/81075462</guid><author>qq_40602790</author><pubDate>Tue, 17 Jul 2018 09:37:03 +0800</pubDate><description><![CDATA[1.直线：


import matplotlib.pyplot as plt
input_values=[1,2,3,4,5]
squares = [1,4,9,16,25]
#设置图表标题，并给坐标轴加上标签
plt.plot(input_values,squares,linewidth=5)
plt.xlabel(&quot;Value&quot;,fontsize=14)
plt.ylabel(&quot;Square...]]></description><category></category></item><item><title><![CDATA[小白python学习——文件的读入和书写]]></title><link>https://blog.csdn.net/qq_40602790/article/details/81066603</link><guid>https://blog.csdn.net/qq_40602790/article/details/81066603</guid><author>qq_40602790</author><pubDate>Mon, 16 Jul 2018 16:10:41 +0800</pubDate><description><![CDATA[1.打开文件（这个文件是pycharm中创建的txt）

 

 

 

filename='LOVE.txt'
with open(filename) as file:
    files=file.readlines()
for i in files:
    print(i)

 

 

ZY I Love YOU
We have know each other a long time
...]]></description><category></category></item></channel></rss>