- 博客(420)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 x.permute(0, 3, 1, 2).contiguous() 和 x.permute(0, 3, 1, 2)
使用可以确保张量是连续的，避免潜在的性能问题。如果确定后续操作不需要连续的内存布局，可以直接使用来避免不必要的内存复制。
2024-07-12 01:14:57
277
原创 Flair以及T1ce 哪个成像时间快
在医学成像，特别是磁共振成像（MRI）中，Flair（Fluid-attenuated inversion recovery）和T1加权对比增强（T1ce, T1-weighted contrast-enhanced）的成像时间各有不同。
2024-07-10 23:47:33
168
原创 2024-6-11-Linux验证当前目录的完整路径
命令（Print Working Directory），它会显示你当前的完整路径名。如果你想验证当前所在的目录，可以使用。
2024-06-11 23:58:34
96
原创 2024-6-11-SPECT和PET的区别是什么
SPECT（单光子发射计算机断层扫描）和PET（正电子发射断层扫描）都是核医学成像技术，用于诊断和治疗监测。总的来说，选择SPECT还是PET取决于具体的临床需求、成本考虑以及所需的成像质量。PET因其高分辨率和定量能力通常用于更复杂的诊断和研究。
2024-06-11 15:51:14
253
原创 2024-6-10-Model-Agnostic Meta-Learning (MAML)
Model-Agnostic Meta-Learning (MAML) 是一种元学习（meta-learning）方法，旨在通过学习模型的最佳初始状态，使得基本学习器（base-learner）可以在少量梯度更新中快速适应新任务。
2024-06-10 20:25:31
481
原创 2024-6-10-zero shot,few shot以及无监督学习之间的关系是什么
Zero-shot learning、few-shot learning和无监督学习都是机器学习中的方法，它们共同的特点是在有限或没有标签数据的情况下进行学习。
2024-06-10 16:16:34
583
原创 2024-04-22-2023-CIBM-Multi-Stage Hybrid Attention Network for MRI reconstruction and SR
The proposed MHAN has some limitations. First, in practice, this multi-task network may need to deal with different masks and scaling factors than in the pre-training. Due to the limited memory of MR Scanners, it is not cost-effective to train a model for
2024-04-22 23:55:40
311
原创 2024-04-22-医学图像IXI数据集处理
摘自：2023-CIBM-Multi-Stage Hybrid Attention Network for MRI reconstruction and SR。
2024-04-22 23:46:58
458
原创 2024-04-22-Residual Dense Network和Residual Feature Aggregation Network
The motivation of RDB and RFA is that the hierarchical feature representations should be fully used to learn local patterns.A RFA module contains several residual modules and mainly aggregates features from the residual branches. In contrast, the RDB colle
2024-04-22 20:44:03
400
原创 2024-4-21-应用于超分辨率任务的损失函数的区别是什么？
导致整体损失迅速增加。但当差异很大时，其平方会显著增加，从而在整体损失中占据更大的比重。这种对大误差更敏感的特性意味着，如果数据集中存在异常值（即那些与其他数据点显著不同的值），它们会对损失函数的值产生不成比例的影响。因此，在存在异常值的数据集上，使用MSE损失可能不是最佳选择，因为模型可能会过于关注那些异常值，而不是学习到更普遍的、对整个数据集来说更有用的模式。MSE损失（均方误差损失）对大的误差给予更大的惩罚这一特性的含义是：当预测值与真实值之间的差异较大时，这种差异在损失函数中的贡献会以。
2024-04-21 17:45:09
190
原创 noise = th.randn_like(x) 和 img = th.randn(*shape)区别
如果你需要一个与某个现有张量具有相同形状和设备的随机张量，而不需要指定具体的形状和设备，使用更为方便。如果你需要创建一个具有特定形状和可能指定设备的新随机张量，且这个形状不依赖于任何现有的张量，那么会是更好的选择。
2024-03-30 22:19:55
239
转载 pytorch训练网络时报错：RuntimeError: received 0 items of ancdata
错误的原因：dataloader加载数据时，pytorch多线程共享tensor是通过打开文件的方式实现的，而打开文件的数量是有限制的，当需共享的tensor超过open files限制时，即会出现该错误。原文链接：https://blog.csdn.net/chen1234520nnn/article/details/103935825。
2023-08-08 15:06:39
451
原创 Bug解决-Torch.save FileNotFoundError: [Errno 2] No such file or directory
Bug解决-Torch.save FileNotFoundError: [Errno 2] No such file or directory
2022-07-26 15:01:21
4213
原创 Bug解决-TypeError: can‘t convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tensor to host mem
Bug解决-TypeError: can‘t convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tensor to host mem
2022-07-21 17:53:29
1593
原创 Bug解决-IndentationError:expected an indented block
Bug解决-IndentationError:expected an indented block
2022-07-21 15:10:29
512
原创 Bug解决-RuntimeError: Sizes of tensors must match except in dimension 2. Got 320 and 160 (The offendin
具体来说，就是将原来一个低分辨的像素划分为rr个更小的格子，利用rr个特征图对应位置的值按照一定的规则来填充这些小格子。C=torch.cat((A,B),0)就表示按维数0（行）拼接A和B，也就是竖着拼接，A上B下。C=torch.cat((A,B),1)就表示按维数1（列）拼接A和B，也就是横着拼接，A左B右。.cat是将两个张量（tensor）拼接在一起，cat是concatnate的意思，即拼接，联系在一起。是其属性，而size()是其继承的方法，两者均可以获得tensor的维度。...
2022-07-21 10:53:34
18629
转载 Bug解决-TypeError: transpose() received an invalid combination of arguments - got (int, int, int, int)
给transpose传入了错误数量的参数，transpose一次只能调换两个维度。若要交换多个维度建议调用。
2022-07-21 09:11:18
4502
原创 Perceptual loss代码2
import torchimport torchvisionclass VGGPerceptualLoss(torch.nn.Module): def __init__(self, resize=True): super(VGGPerceptualLoss, self).__init__() blocks = [] blocks.append(torchvision.models.vgg16(pretrained=True).features[.
2022-03-09 16:02:35
634
原创 Perceptual loss代码1
"""Modified VGG16 to compute perceptual loss.This class is mostly copied from pytorch/examples.See, fast_neural_style in https://github.com/pytorch/examples."""import torchfrom torchvision import modelsclass VGG_OUTPUT(object): def __init__(s.
2022-03-09 15:26:55
2341
原创 torch.optim.lr_scheduler.MultiStepLR(optimizer, milestones, gamma=0.1, last_epoch=-1)
import torchimport torchvisionlearing_rate = 0.1model = torchvision.models.resnet18()optimizer = torch.optim.SGD(model.parameters(), lr=learing_rate, momentum=0.9, weight_decay=5e-5)scheduler =.
2022-03-08 14:43:22
875
1
原创 LR调整之余弦退火算法
import torchimport torch.nn as nnfrom torch.optim.lr_scheduler import CosineAnnealingLR, CosineAnnealingWarmRestartsimport itertoolsimport matplotlib.pyplot as pltclass Tmodel(nn.Module): def __init__(self): super().__init__() ...
2022-03-07 22:35:35
886
转载 LR与batchsize的关系
batchsize越大，LR越大。batchsize增大K倍，可将lr增加sqrt(K)倍，提供训练速度。实际中，直接将lr增大K倍效果更好。从上面的结果可以看出，对于采用非自适应学习率变换的方法，学习率的绝对值对模型的性能有较大影响，研究者常使用step变化策略。3 Batchsize如何影响模型性能？模型性能对batchsize虽然没有学习率那么敏感，但是在进一步提升模型性能时，batchsize就会成为一个非常关键的参数。3.1、...
2022-03-04 11:10:38
3013
翻译 Trick : PyTorch学习率 warm up + 余弦退火
学习率是神经网络训练中最重要的超参数之一，针对学习率的优化方式很多,Warmup是其中的一种。为什么引入学习率衰减？我们都知道几乎所有的神经网络采取的是梯度下降法来对模型进行最优化，其中标准的权重更新公式：学习率a控制着梯度更新的步长(step)，a越大，意味着下降的越快，到达最优点的速度也越快，如果为0，则网络就会停止更新 学习率过大，在算法优化的前期会加速学习，使得模型更容易接近局部或全局最优解。但是在后期会有较大波动，甚至出现损失函数的值围绕最小值徘徊，波动很大，始终难以达.
2022-03-01 16:37:56
10189
转载 Pycharm:Can‘t get remote credentials for deployment server
解决方法把图片上显示的Python interpreter删除，然后重新设置，然后就可以正常使用了。原文链接：【已解决】Pycharm:Can't get remote credentials for deployment server_哪惧明天，风高路斜-CSDN博客_can't get remote...
2021-12-29 15:36:36
134
原创 Matplotlib保存图像—savefig()方法
使用savefig()函数将图片保存在指定目录下，在show()前插入，如果在show()后面会出现保存图片为空白现象。plt.savefig('保存图像的路径')
2021-12-20 11:27:24
6624
原创 UnicodeDecodeError: ‘ascii‘ codec can‘t decode byte 0xe9 in position 122(已解决)
解决方法：方法1：（未解决）Python2版本适用：Python3版本适用：import sysreload(sys)方法2：（已解决）在yaml配置文件中添加了 注释#把注释去掉后问题解决
2021-12-18 14:24:41
749
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人