- 博客(94)
- 资源 (2)
- 收藏
- 关注
原创 Django 数据库表模型与迁移
在manage.py启动 Django 项目。创建一个名为 polls 的应用。在 polls 目录中创建一个 URL 配置,请创建一个名为urls.py的文件在根 URLconf 文件中指定我们创建的polls.urls模块。在。
2024-03-10 22:48:08
480
原创 Web 开发的一些常用基础——HTTP请求与响应、Cookies与Session
wd=Python,其中 URL 中包含了请求的参数信息,这里参数 wd 表示要搜寻的关键字。如果把 Cookies 保存到硬盘上,或者使用某种手段改写浏览器发出的 HTTP 请求头,把原来的 Cookies 发送给服务器,则再次打开浏览器,仍然能够找到原来的 Session ID,依旧还是可以保持登录状态的。,也可以理解为浏览器端,有了 Cookies,浏览器在下次访问网页时会自动附带上它发送给服务器,服务器通过识别 Cookies 并鉴定出是哪个用户,然后再判断用户是否是登录状态,进而返回对应的响应。
2023-04-16 17:25:57
1699
1
原创 rst 格式文档编译方案
不知什么时候,我发现从前我用过一个 GitHub 的开源工具,它提供了将 rst 文档编译成 html 的工具。它使用 Python 语言开发,有机会我把它做成一个 Web 小工具。
2022-08-24 16:08:05
1845
原创 Webpack demo + npm run dev,localhost:8080 提示 Cannot GET/
因为我没有通过 devServer 指定 SPA(单页应用)的入口 `index.html` 文件。不过我百思不得其解,为何不默认进入根目录的 `index.html` ?
2022-08-23 17:04:26
774
原创 Cross-Modality Domain Adaptation
Cross-Modality Domain Adaptation for Medical Image SegmentationUnsupervised 3D Semantic Segmentation Domain Adaptation领域适应(DA)最近引起了医学成像界的强烈兴趣。通过鼓励算法对未知情况或不同的输入数据域具有鲁棒性,域自适应提高了机器学习方法对各种临床环境的适用性。虽然已经提出了各种各样的 DA 技术用于图像分割,但这些技术中的大多数已经在私有数据集或小型公共可用数据集上得到验证。此外
2022-01-05 10:46:42
1798
原创 【论文精读】低参数的大感受野可变形卷积层插件——OBELISK
总之,我们相信 OBELISK 的可变形卷积是一种很有前途的强大的插件,可以很容易地集成到现有的浅 U 形网络中,并为将其用作预先训练的低参数形状编码器提供了巨大的潜力。
2021-12-07 11:52:50
478
转载 【论文精读】Label-driven Weakly-supervised DLIR
所谓“弱监督“实际可能是损失函数不依赖于图像模态,仅应用于分割标签。这在一定程度上更接近于传统的基于特征的配准方法,而神经网络的作用是更好地学习特征表示的方法。它还反映了这样一个事实,即与其他无监督学习相比,这种方法依赖于人工标注的解剖知识,而不是图像匹配的统计特性(例如,通过基于图像体素强度的相似性度量)。
2021-12-04 21:27:14
304
转载 【转载】VoxelMorph 论文笔记
转载自:【论文笔记】VoxelMorph-无监督医学图像配准模型本文是无监督的医学图像配准模型——VoxelMorph 的论文笔记。变形配准(Deformable registration)策略通常包括两步:第一步是可实现全局对齐的仿射变形,然后是具有自由度更高的更缓慢变形变换。本文主要是关心第二步。一、记号fff 和 mmm 分别表示 fixed image 和 moving image,ϕ\phiϕ 表示从 fff 的坐标映射到 mmm 的坐标的配准场,uuu 表示一个位移向量场。gθ(f,m)
2021-11-13 16:19:29
5268
1
原创 飞桨论文复现挑战赛(第四期)冠军 —— paddle-SAM
论文复现:Only a Matter of Style: Age Transformation Using a Style-Based Regression Model一、简介本文提出了一种图像到图像(image-to-image)的年龄转换方法,该方法促使编码器学习将真实面部图像编码到预先训练的无条件 GAN(例如 StyleGAN)的潜在空间中,该编码器会受到给定的年龄变化的影响。本文将老化过程作为输入年龄和目标年龄之间的回归任务,对生成图像的年龄提供细粒度控制(而不是只能老化到给定的年龄),使
2021-09-27 19:26:43
1805
2
原创 高效稳定的多人协作 git 代码提交流程
前提条件:不能在 master 分支上修改任何文件。master 分支的变更只能通过 和 获得。在 master 分支下面,不能手动修改任何文件。 = :创建并转到 dev 分支;:查看当前分支,当前在 dev 分支; 查看 dev 分支工作区代码跟 dev 分支暂存区的差别; 将 dev 分支工作区修改过的所有代码添加到暂存区, 代表当前目录; 将暂存区的代码添加到本地仓库 dev 分支;:dev 分支的工作区同步到本地 master 分支;如果有冲突,根据提示,把冲突解决,保存文件。然后执行上面第
2021-09-26 21:47:39
2293
原创 ITK-SNAP + c3d 处理 3D 图像以及 DICOM 格式
❤️❤️❤️ c3d 是一个免费的、强大到无以复加的 3D 图像处理工具,它尤其在深度学习医学图像研究和应用中能发挥出无与伦比的生产力 —— 我 ????我将以 Pancreas-CT 数据集及其标签为例,简要介绍 c3d 处理 dicom 格式 3D 图像(dicom 转成 nii)、Nifti 格式 3D 图像的常用功能下载安装 c3d 和 ITK-SNAP官网下载地址:http://www.itksnap.org/pmwiki/pmwiki.php?n=Downloads.C3D记得把 c
2021-09-20 23:09:32
5247
2
原创 飞桨论文复现挑战赛(第四期)冠军 —— PGAN-Paddle
论文复现:Progressive Growing of GANs for Improved Quality, Stability, and Variation一、简介本文提出了一种新的训练 GAN 的方法——在训练过程中逐步增加生成器和鉴别器的卷积层:从低分辨率开始,随着训练的进行,添加更高分辨率的卷积层,对更加精细的细节进行建模,生成更高分辨率和质量的图像。这个方法既加快了 GAN 的训练速度,又增加了训练的稳定性,因为预先训练的低分辨率层能给更难收敛的高分辨率层带来更有利于训练的隐藏编码。本
2021-09-18 20:13:51
1559
原创 MIND & MIND-SSC: Contrast- and Modality-invariant Image Similarity for Multimodal Image Registration
模态独立邻域描述符(MIND) 是一种多维局部图像描述符,可实现多模态配准。???? Contrast- and modality-invariant image similarity模态独立邻域描述符(MIND) 是一种多维局部图像描述符,可实现多模态配准。在配准单模态的扫描时,它还被证明可以提高准确性和鲁棒性。每个 MIND 描述符只计算在一个 patch 内的距离(一个扫描的局部邻域内)。MIND 的比较是以采样样例的平方/绝对差之和来表示的。The Modali
2021-09-05 19:45:00
2127
原创 【数据集】Learn2Reg2021 Task 03 —— 预处理的 OASIS 3D 脑部 MRI
我们已经预处理了一个由 400 个大脑组成的重要亚组,分为训练(300)、验证(50)和测试(50)。我们使用几个软件包(FreeSurfer 7.1 和 SAMSEG)计算了包含 40 个皮质和皮质下解剖标签的分割图。我们将融合这些标签图,并在 MGH 神经科学家的帮助下手动验证所有 400 次扫描。
2021-09-04 21:25:55
3430
4
原创 【数据集】Learn2Reg2021 Task 01 —— 3D 腹部多模态 MR-CT
在腹部 CT 和 MRI 上,不同表现之间的差异(例如,年龄、性别、身高、正常解剖变异和疾病状态)可以通过观察每个器官的大小、形状和外观来预测。但是,个体本身由于诸如:姿势、呼吸周期、水肿、消化状态等,很容易改变腹部器官的形状和器官之间的位置关系,使配准进一步复杂化。
2021-09-04 20:13:54
1684
1
原创 【论文精读】DeepAtlas:图像配准和分割的联合半监督学习
DeepAtlas: Joint Semi-Supervised Learning of Image Registration and SegmentationXu, Zhenlin and M. Niethammer. “DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation.” MICCAI (2019).AbstractDeep convolutional neural networks
2021-09-02 19:21:37
1515
原创 Linux 删除文件夹下部分指定数据命令
我不希望百度搜不到这样的解决方案,本科的时候用过这么好用的命令,现在想起来要用却具体忘了,百度一搜,硬生生没有案例!我很失望,很愤怒 ????删除当前文件夹下全部 jpg 数据rm -r *.jpg # 立即删除rm -i *.jpg # 确认后删除删除当前文件夹下部分 jpg 数据rm -r {3..10}.jpg # 删除名字为3.jpg到10.jpg的图片,没有会自动跳过嗯,就这样。我们要有一个意识,这个命令可以接正则参数 ????...
2021-08-19 01:33:26
1282
原创 PyTorch 入门与实践(六)卷积神经网络进阶(DenseNet)
来自 B 站刘二大人的《PyTorch深度学习实践》P11 的学习笔记上一篇 卷积神经网络进阶(GoogLeNet、ResNet) 我们实践了 GoogleNet 和 ResNet 两大经典网络:GoogleNet 从多路选择学习(Inception Module)出发,构建更好的神经网络;ResNet 从残差连接(Residual Block)保留浅层特征出发,构建更深的神经网络。DenseNet1 紧随其后,再次研究了超深度神经网络的梯度消失问题和跳连解决方案。他们提到,ResNet 等.
2021-08-06 23:28:18
992
原创 PyTorch 入门与实践(七)循环神经网络(RNN)
来自 B 站刘二大人的《PyTorch深度学习实践》P12 的学习笔记RNN Cell循环神经网络的隐藏层可以说都是线性层(Linear),由于它主要用于预测有前后关系的序列输入,所以它像斐波那契数列一样,后一次循环要输入前一次的输出,即,递归地求出下一次输出,故弹幕里有不少人称之为递归神经网络。下图中的左边就是一层 RNN 的隐藏层,右边是它运行的过程(RNN Cell 一直是同一个,只是可视化运行的过程)。指向下一次输入的红色箭头就是前一次的输出 hth_tht,xtx_txt 是数据.
2021-08-03 00:54:43
1076
原创 PyTorch 只训练网络分类器的迁移学习方式
torchvision.models 里面有很多已经训练好的经典网络,我们做迁移学习的时候可以使用这些预训练的神经网络的卷积部分做特征提取器,训练时,只需迭代更新最后的全连接层,即分类器。一、首先从 torchvision.models 白嫖一个预训练好的 AlexNet:from torchvision import modelsalexnet = models.alexnet(pretrained=True) # 初始化模型类实例,并自动下载预训练的模型参数print(alexnet)
2021-08-02 02:01:50
1426
原创 torchvision 数据加载和可视化:ImageFolder、make_grid
torchvision 是 pytorch 框架适配的相当好用的工具包,它封装了最流行的数据集(torchvision.datasets)、模型(torchvision.models)和常用于 CV 的图像转换组件(torchvision.transforms)和其它工具:有时间一定要通读一遍官方文档 TORCHVISION,内容不多,简明易懂,有助于上手。以 notebook 的方式实践 torchvision# 导入必要的包import torchimport torchvision
2021-08-02 01:27:57
2385
4
原创 PyTorch 入门与实践(六)卷积神经网络进阶(GoogLeNet、ResNet)
来自 B 站刘二大人的《PyTorch深度学习实践》P11 的学习笔记GoogLeNet1×1 卷积上一篇我们知道,卷积的个数取决于输入图像的通道数。1×1 卷积能起到特征融合、改变通道数和减少计算量的效果,被称为神经网络中的神经网络例如,我们先通过 1×1 卷积减少了通道的数量,让大的卷积核计算更少的通道数,能大大减少计算量:Inception ModuleInception(盗梦空间) Module 的目的在于给神经网络提供多个卷积层的配置,在将来通过训练选择最优线路,和.
2021-08-01 12:55:38
1253
2
原创 PyTorch 入门与实践(五)卷积神经网络(CNN)
来自 B 站刘二大人的《PyTorch深度学习实践》P10 的学习笔记之前的由线性层组成的全连接网络是深度学习常用的分类器,由于全连接的特性,网络提取的特征未免冗余或者抓不住重点,比如像素的相对空间位置会被忽略。所以,在全连接层前面加入特征提取器是十分有必要的,卷积神经网络就是最好的特征提取器。CNN关于卷积神经网络的输入输出特征图,以及多通道多批量的特征处理,参考:卷积神经网络的输入输出特征图大小计算。单输出通道的卷积核:输入图像的每个通道分别对应一片卷积核矩阵,一次卷积最后会把输入图像的.
2021-07-29 20:38:36
769
原创 PyTorch 入门与实践(四)多分类问题(Softmax)
来自 B 站刘二大人的《PyTorch深度学习实践》P8 的学习笔记上一篇 PyTorch 加载数据集 中,我们实战了 MNIST 手写数据集的识别网络,那其实就是一个多分类问题(识别出 10 个类),这时候就要用 softmax,而不是 sigmoid 了。SoftmaxSoftmax 函数:P(y=i)=ezi∑j=0K−1ezi,i∈{0,...,K−1}P(y = i) = \frac{e^{z_i}}{\sum^{K-1}_{j=0} e^{z_i}}, i \in \{ 0, ...
2021-07-28 19:09:26
5741
1
原创 PyTorch 入门与实践(三)加载数据集(Dataset、DataLoader)
来自 B 站刘二大人的《PyTorch深度学习实践》P8 的学习笔记上一篇 处理多维特征的输入 的时候我们提到了 Mini-Batch,也就是训练时,一个 epoch 只遍历 NNN 个 samples(行),N≤总行数N \le 总行数N≤总行数,要实现这个,就要用到 PyTorch 强大的数据加载工具类:Dataset、DataLoader。一次性输入全部的 Batch 的优势在于计算性能,而且更容易用于并行计算;一次性输入一个样本的优势在于数据的随机性使得网络优化更容易走出鞍点,更易.
2021-07-28 11:45:21
2973
1
原创 PyTorch 入门与实践(二)处理多维特征的输入
来自 B 站刘二大人的《PyTorch深度学习实践》P7 的学习笔记回顾上一篇逻辑斯蒂回归中,分类的最终结果是输出概率对应的分类,是离散的集合,虽然神经网络预测的概率的分布拟合的是 Sigmoid,但这些概率是用于决策分类的,类别是离散的集合;而线性回归的输出结果是实数集,它们拟合目标函数。数据表示对于关系型数据表,在 PyTorch 中读取时是以下面的方式表示的:一行是一个 Sample(样本):一列是一个 Feature(特征):多维数据需要转换成矩阵运算Mini.
2021-07-22 21:57:28
778
4
原创 PyTorch 入门与实践(一)逻辑斯蒂回归
来自 B 站 《PyTorch深度学习实践》P6 的笔记Logistic Function(Sigmoid):σ(x)=11+e−x,可知σ(x)∈(0,1),用于概率预测。\sigma(x) = \frac{1}{1+ e^{-x}},可知 \sigma(x) \in (0, 1),用于概率预测。σ(x)=1+e−x1,可知σ(x)∈(0,1),用于概率预测。各种 Sigmoid 函数:只需在线性回归模型最后加入 Sigmoid 输出层即可做逻辑斯蒂回归预测:二分类问题的损失函.
2021-07-22 15:59:53
426
原创 【论文精读】深度学习脑部医学图像双任务:联合配准和肿瘤分割
Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuroscience 14 (2020): n. pag.AbstractImage registration
2021-07-10 21:52:01
2423
4
原创 【论文精读】 使用空间梯度和噪声分割标签(伪标签)的深度学习配准
Deep learning based registration using spatial gradients and noisy segmentation labels (Learn2Reg Task 3: CT Abdominal)Théo Estienne, et al. “Deep Learning-Based Registration Using Spatial Gradients and Noisy Segmentation Labels.” MICCAI 2020AbstractI
2021-06-28 23:29:06
1248
3
原创 Python 协程实现生产者-消费者模型
???? 使用协程来实现生产者消费者模型下面的代码改编自 asyncio.Queue 官方文档的 ExamplesQueues 可用于在多个并发任务之间分配工作负载(消息传递):import asyncioimport randomimport timerandom.seed(42)async def consumer(name, queue): while True: # 从队列中取出一个资源 sleep_for = await queue.get
2021-06-11 18:22:18
1568
3
原创 sorted()、map()、filter()、reduce() 中的匿名函数:lambda
Python 中的匿名函数的关键字是 lambda,之后是一系列的参数,然后用冒号隔开,最后则是由这些参数组成的表达式。我们通过几个例子看一下它的用法:>>> sqr = lambda x: x**2>>> sqr(3) # 9对应的常规 def 函数这样定义:>>> def sqr(x): return x**2>>> sqr(3) # 9可以看到,匿名函数 lambda 和常规函数一样,返回的都是
2021-06-09 11:48:49
170
原创 AdaBatch 数值实验复现
一、AdaBatch: adaptive batch sizes for training deep neural networks 概述使用 SGD 训练神经网络的时候需要精挑细选一个合适的批量,较小的 batch size 通常在较少的训练时间内神经网络就能收敛,但较大的 batch size 提供了更多的并行性,从而提高了计算效率。论文(2017年,NVIDIA)《AdaBatch: adaptive batch sizes for training deep neural networks》开发
2021-06-02 13:49:57
567
1
原创 数据库范式实例:如何消除冗余和高效存取?
在超市项目的设计阶段,超市经营者把他们正在用的 Excel 表格给到我们,要求我们把这些数据存储到超市管理系统的数据库中。我挑选了 1 个有代表性的表来举例说明。进货单表(import):这个表中的字段很多,包含了各种信息,表里的数据量也很惊人。我们刚拿到这个表的时 候,光是打开表这个操作,就需要等十几秒。仔细一看,发现表里重复的数据非常多:比如第一行和第二行的数据,同样是 3478 号单据,供货商编号、供货商名称和仓库,这 3 个字段的信息完全相同。可是这 2 条数据的后半部分又不相同,因此,并.
2021-05-10 19:23:57
4139
4
翻译 Play With Docker | Docker 应用程序部署教程(2)
文章目录5. Persisting our DBThe Container's FilesystemSeeing this in PracticeContainer VolumesPersisting our Todo DataDiving into our VolumeRecap6. Using Bind MountsQuick Volume Type ComparisonsStarting a Dev-Mode ContainerRecap7. Multi-Container AppsContainer
2021-04-25 17:25:56
1061
原创 Play With Docker | Docker 应用程序部署教程(1)
参考:Docker 101 Tutorial、Play with DockerPlay with Docker(PWD)Play with Docker is an interactive playground that allows you to run Docker commands on a linux terminal, no downloads required.Log into https://labs.play-with-docker.com/ to access your PWD
2021-04-25 17:16:16
1847
原创 MySQL 实战 45 讲笔记 | 事务隔离和 MVCC
这篇文章,总结了《MySQL实战45讲》中的第 3 篇、第 8 篇 和 第 20 篇,因为这几篇文章的内容联系比较紧密,所以放在一起做了总结。事务隔离级别SQL 标准的事务隔离级别包括:读未提交(read uncommitted)、读提交(read committed)、可重复读(repeatable read)和串行化(serializable )。InnoDB 默认的隔离级别是可重复读,即一个事务执行过程中看到的数据,总是跟这个事务在启动时看到的数据是一致的。本文的讨论,也是在可重复读隔离级别下。
2021-04-24 10:53:45
258
Java-servlet生成验证码
2019-03-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人