- 博客(73)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 脑影像分析|数据分析——单个变量或多个变量与y的皮尔逊相关，同时返回r与p值（python）
皮尔逊相关是计算两个变量之间线性相关关系，或者两个向量共线程度的常用指标，应返回衡量相关程度的r值，和相关显著程度的p值。我们熟知的工具包，如pandas，numpy和scipy等，只能计算单个变量x与变量y之间的相关值，或者多个变量两两相关的相关矩阵。当我们想要分别计算多个变量X与y之间的相关关系时，就需要自己手撕代码。如果觉得手撕代码太费头发，或者对代码不怎么精通，那么就往下看吧。笔者废了好大一把头发，基于numpy和scipy撕三个函数方法，帮你快速实现多个变量与y之间的相关关系，并同时返回r和p值。
2022-03-29 12:47:44
4885
2
转载 各类安全与环保知识考试试题集
前段时间学校在推行实验室安全知识学习测试，题库里面的题挺全面的，包括通识类安全题，化学类安全题，生物医学类安全题，机械建筑安全题，电气安全题，辐射安全题，特种设备安全题，消防安全题，是一个对学习和应试都很有帮助的题集。所以，抓住2021的尾巴，笔者把它转载在这里，便于以后查阅和供大家参考，只需要`Ctrl+F`一下就可以找到。
2021-12-31 17:45:20
15583
原创 MRI脑影像分析——根据脑图谱获取感兴趣区域mask，以海马体与丘脑为例(matlab+nilearn+nibabel+REST1.8）
脑影像分析中，我们常常会针对性的对某些感兴趣区域进行分析，而对它们进行分析的前提是获取该区域的mask。感兴趣区域可以用以某些坐标为球心的球形区域定义，也可以用脑图谱上对应的某些脑区定义，其中，后者是较为常见的，也是我们今天要讨论的。脑图谱是一类特殊脑影像，它的每一个位置上不是信号值，而是脑区编号（标签），这也就意味着我们可以通过感兴趣区域的脑区编号，得到对应的感兴趣区域位置的集合，它也就是感兴趣区域的mask。以下将以1mm和3mm的brainnetome图谱，并以海马体与丘脑为例生成mask
2021-10-09 22:19:39
11888
25
原创 图表可视化配色学习——自动提取图片主色调与配色方案(python、pillow、haishoku和seaborn)，并生成十六进制颜色编码
无论绘制什么图表，配色方案都是非常重要的，配的好，整幅图看起来会自然美观，反之就可能很别扭。所谓的配色，笔者觉得就是一幅图表的几种主要颜色，一般绘图的工具都会提供一些调色板，供我们配色。但是工具提供的颜色色终究是比较有限的，有时我们可能需要自己配色。如果没有美术基础，自己配起来会比较难，这时我们可能需要借鉴其他的好看的图表的配色。用取色器一个一个的取色显得有些繁琐，不过最近笔者发现了一个小工具haishoku，它借助pillow获取色彩列表，可自动获取一幅图的主色调和配色方案，最多可以提取8种配色。
2021-10-03 20:49:00
2823
原创 开关稳压器工作原理与典型应用电路分析——LM2576、LM2596与LM2577
开关稳压器工作原理与典型应用电路分析——LM2576、LM2596与LM2577
2021-09-26 18:46:40
19590
2
原创 Python与R共舞：在python中用ggplot2、plotnine画散点相关（回归）分析图（附最新高清plotnine、ggplot2速查表（ggplot2-cheatsheet））
虽然python有许多可视化的包，如matplotlib，seaborn，pandas等。但是笔者还是被ggplot2包绘图所吸引，图层直接简单叠加型设计，用它们可以美观简洁的构建几乎任何类型的图表。ggplot2有直接的python版本——ggplot(几年未更新，有些地方会与现在的包不兼容)，plotnine(一个类似ggplot2的包，但是功能太不齐全)。考虑到ggplot2的python版本存在一些问题，加上还不能和ggplot2辅助包如ggpubr等连用，所以笔者就折腾了一下rpy2。
2021-09-18 14:27:59
2949
原创 MRI脑影像分析——多种工具实现Nifti(*.nii)文件读取、处理与写入——把小舞写进脑海里、6mm半高全宽高斯核平滑脑影像、NIFTI文件合并、算fMRI平均图像
Nifti文件格式，是目前各大神经影像分析工具普遍兼容的体素水平的数据格式，也是在进行神经影像研究中最常见的一种数据格式。Matlab从2017b后就引入了专门的Nifti文件的解析函数，SPM12，dpabi等工具包也提供了Nifti文件的解析接口，NIfTI_20140122是专门的Nifti文件的解析处理工具包。python上面的nibabel可以解析Nifti等脑影像文件，nilearn更是一个集解析，处理，与分析于一体的工具。以下就针对这些工具，简要探讨他们对Nifti文件的解析，以及简单处理。
2021-08-25 19:15:56
15951
18
原创 脑影像分析工具保姆级安装教程——VMware Workstation16.1.2中安装FSL6.0.3/FSL6.0.4、MRtrix3、MRIcron并修复fsleyes not found
以下包含VMware Workstation 16.1.2的安装，VMware Workstation 16.1.2上安装配置ubuntu 20.04，ubuntu 20.04上安装配置FSL6.0.3\FSL6.0.4，ubuntu 20.04上安装配置FSLeyes，并修复/fsl/bin/fsleyes not found，fsl/bin/imcp not found，fsl/bin/immv not found等问题。另外还包含DTI分析工具MRtrix3和脑影像显示与转换工具MRIcron的安装。
2021-07-23 11:39:51
6050
18
原创 fMRI脑影像特征提取——静息态与任务态，ALFF/fALFF和ReHo（Dpabi，Rest1.8）
任务态和静息态是大脑的两种状态，前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态，静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态，是大脑所处的各种复杂状态中最基础和最本质的状态。任务态fMRI分析有非常悠远的历史，而静息态fMRI自1995年biswal教授及其同事率先报告静息态fMRI具有生理意义后，越来越多的人进入了静息态的研究领域。任务态fMRI主流的分析方法是模型驱动（GLM+HRF），也可以引用静息态fMRI
2021-07-03 14:52:02
40806
42
原创 三端线性稳压器工作原理与典型应用电路分析——78XX与LM317
| 图源 整理电脑上文件时发现了几年前刚上大学时，整理的一份关于稳压电源的文档，当时是为了实验室培训之用而写，但是最后没有用到。记得那个时候刚学完了模电，还是有一些硬件基础，然后查了好多资料，从电子发烧友，到CSDN，再到芯片的datasheet，再到线性及开关稳压器设计320例一书，弄了很久才整理出了这份文档。当时没有开始写博客，所以就让它在电脑里一直沉睡。今天发现了，就把它放在这里了，我已经很多年不涉及硬件了，可能这些东西已经过时，可能当时的理解很粗浅甚至错误，并且大多只是纸上谈兵，不过总有对的点.
2021-06-26 17:36:24
29744
1
原创 哲学与科技——唯物史观，人与自然、科学与技术、科技与社会、人与科技的关系的简单描述
| 图源 以下是笔者两门课的结课作业，马克思经典著作选读和自然辩证法。前者的要求是选一篇马克思的著作，谈谈对其中一些观点的感受，很开放的题，字数要求不少于1000字。后者则是谈谈人与自然，科学与技术，科技与社会以及人与科技间相爱相杀的关系，字数要求不少于3000字。作为一个理工男，唯一的关于马哲的积累就是考研时背的肖四肖八，写的比较空，但是还是花了时间写的，所以放在这里当做一种经历记录吧。当然，如果有朋友想抄作业，这也提供了一种方案，不过抄作业有风险，需谨慎，悄悄告诉你，我有两个伙伴马克思经典著作选读.
2021-06-26 14:01:50
3514
原创 fMRI脑影像特征提取——Pearson相关与低阶功能连接LOFC（dpabi+nilearn）
一个连接由节点和连接强度（边）组成。功能连接中的节点可以是单个体素，也可以是由脑图谱定义的脑区ROI。通常的做法是将脑图谱中多个或者全部ROI作为节点，或者是将脑图谱中单个ROI与全脑体素作为节点。定义连接强度（边），最常用的方式是Pearson相关，两个节点之间可能没有物理连接，但如果他们的BOLD信号同步性很强，则它们之间可能存在很强的功能上的协作，即很强的功能连接，这是一个很好的表征两个节点间关系的特征。
2021-03-30 10:00:50
15589
47
原创 LIBSVM使用：二维数据SVM支持向量、决策边界与分类间隔可视化（动图）
LIBSVM是台湾大学林智仁教授等开发的一个简单易用、快速有效的SVM、SVR的开源软件包，有各种语言接口，包括python、matlab和java等。现在有很多的机器学习软件包的SVM，SVR都是基于LIBSVM开发的。软件包里超参优化方法是网格法，即按照超参的范围和步长，遍历所有超参的组合可能，最后在训练集上平均准确率最高的那一组参数作为最佳参数。当然，本文不涉及寻优，只是涉及LIBSVM数据转换，模型训练，返回值解析和可视化。这是笔者上学期模式识别课程的一个作业，写了很详细注释，也算是一个存货。
2021-03-23 10:04:00
5667
10
原创 神经网络激活函数及其Katex公式代码模板合集
KaTeX 是一个快速为网站呈现 Tex 科学公式的简单易用的库，通过它我们可以方便快速的书写公式。KaTeX由关键词（标签）和其作用的参数所构成，每个关键词（标签）参数的作用域都只有一个字符，如果想要作用到多个字符，必须用{}将其括起来，不然只会作用到第一个字符。在书写时，代码应当放在$ $之间，如果想要公式居中，则把代码放在$$ $$之间。本文借着学习KaTeX的契机，把神经网络中激活函数都整理了一遍，包括其KaTeX代码，用途性能和曲线。文中做成的公式模板，可以直接迁移到需要类似公式的地方
2021-03-16 10:00:38
981
4
原创 awk文本分析（上）
awk是linux文本分析的三大剑客之一，名字来源很任性，就是其三个发明者姓氏首字母的组合。在awk的世界里，文本就是一个长长的字符串，只是中间夹杂着某些分割符。awk有两把剑，即分割记录的RS（Record Separator）分割符，和分割区域（字段）的FS（Filed Separator）分割符，加上判断条件或者说是模式（Pattern），他们可以组合成任何招式，方便的挖出文本中任何位置的内容。awk对取出文本内容的逻辑处理是用类C的语言实现的，也有if，for， while这些基本结构。
2021-03-09 10:00:10
307
原创 图像重采样/插值原理与其在MRI脑影像分辨率修改中的应用——将尺寸为1mm标准模板修改成体素尺寸为3、6、8mm标准模板（FSL、SPM12、NIfTI_20140122、dpabi、nilearn）
图像重采样这个词，可能许多人都会觉得陌生。但是图像放大，图像缩小，图像旋转，图像错切等这些我们熟悉操作背后，增多、减少和移位的像素点值的确定，其实都是通过重采样（resample）来完成的。数字图像，是对连续的模拟图像采样后的结果，而由插值理论我们可以知道，由有限像素点的数字图像，我们可以插值出近似的模拟图像。再对该模拟图像按照要求的采样间隔采样，就可以得到重采样的结果。常用的插值方法有线性插值，双线性插值，样条插值等。
2021-03-02 10:00:18
10650
26
原创 fMRI质量预检查与服务器批量处理：时间点、体素尺寸批量审查与Dpabi(DPARSFA)服务器上无GUI无弹窗处理脑功能影像（附matlab脚本）
| 图源-slice| 工具：dpabi5.0, spm12, NIfTI_20140122(密码：iizk) 我们知道在进行fMRI预处理的时候，要求所有被试时间点相同，它将直接影响到slice timing的顺利执行，另外要求每个体素的尺寸也相同。fMRI数据一般是4D的，不能直接看个数，但是可以通过MRIcro查看每个被试的时间点数和体素尺寸，不过很麻烦。笔者没有找到可以一次性审查全部被试时间点和体素尺寸的程序，所以自己写了一个，放在这里供大家参考。 另外，dpabi是一个比较强大的.
2021-01-30 17:04:07
4029
2
原创 FSL6.0.3/FSL6.0.4完整安装与FSLeyes、imcp、dcm2niix等Not Found修复(centos和ubuntu)
这已经是笔者第三篇关于FSL的文章了，足以见其有多么难缠。用官网给的方法，不仅下载慢，而且失败的概率大于99%。所以笔者采用了这篇博客给出的办法，但是这个办法有一个bug，那就是安装完成之后，fsleyes缺失，即fsleyes not found，经过反复试验，最终笔者可以非常顺利的修复fsleyes缺失的问题，现记录在此供大家参考。 操作系统：ubuntu20.04/centos8/centos7 使用工具：Anaconda3-2020.11-Linux 待装软件：fsl6.0.3/f.
2021-01-21 22:06:18
12956
23
原创 MRI脑影像分析从哲学到技术：一文搞懂VBM预处理基本原理（全网最详细解析）
分析大脑解剖学差异最常用方法之一是基于体素的形态学方法（voxel-based morphometry, VBM）。 VBM的基本思想是测量大脑组织，尤其是灰质的局部浓度的差异。在大脑的每个体素处进行操作，然后在两个或多个实验组之间进行统计比较，从而在受调查的组之间建立特定大脑区域中脑组织浓度的统计学显着差异。 VBM分析基于（高分辨率）MRI脑部扫描，涉及大量处理步骤，主要是空间归一化，分割，平滑和统计分析，最终结果是统计图，显示了各组之间组织类型明显不同的区域[^1]。参考[^1]..
2020-12-12 22:02:52
22615
35
原创 Docker容器中GUI软件的远程图形界面交互：mobaXterm+SSH，以脑影像处理软件FSL为例；FSL6.0.3完整安装与可视化；docker容器图形化；远程登录docker容器；
前言 对docker容器中软件的操作，是基于命令行的，这就导致了习惯图形化界面的人比较难以使用docker，而它又是一个神器，所以很难受。一般情况下，可以给容器安装一个桌面环境，然后用类似VNC的方法去远程访问它。但是容器在服务器上时，我们大多数时候并不希望给它安装桌面环境，如果有程序需要操作图形界面时，多用X视窗系统，将该软件的图形界面转移到远程服务端。X是一种协议，当前版本为11，俗称X11。X视窗系统由客户端和服务端组成，服务端X Server负责图形显示，而客户端库X Client输出要显示的
2020-10-26 12:53:51
7934
7
原创 机器学习十大经典算法：另辟蹊径EM算法+高斯混合模型图像像素分割实战——Nemo鱼图像分割（python代码+详细注释）
前言 今天程序员节，据说发博客会有1024勋章，所以就来整理一下笔者模式识别课第一次大作业的第二道题——用EM算法来做Nemo鱼图像像素分割。网上看了很多关于EM算法的分析，大多都涉及很复杂的数学推导，包括要用凸函数的不等关系，要证单调性收敛性等，看了很久也没有理太清楚。在这里分享一种形象化理解EM算法的方法，来源于笔者的模式识别老师。她将EM算法看成是反复进行贝叶斯决策和最大似然估计的过程，当参数变化小于某个阈值时，算法收敛到局部最优值。并附笔者所写代码，供大家参考。贝叶斯理论与实战和最大似然估计在
2020-10-24 21:48:29
6130
5
原创 电子科技大学清水河校区不看会后悔的绝美秋季风景高清大图：如果你喜欢山水画，你一定会喜欢这里，因为这里就是山水画。
前言 今天郫都区的天气格外的好，天蓝的非常有层次，所以笔者逃课去逛了一圈校园【悄悄说】，一直觉得电子科技大学清水河校园很美，像画儿一样，但是前面一段时间天气总是愁眉不展的，这次总算是让我逮着机会了，哈哈。如果你是个高中生或者是个本科生，或者是个研究生，看了图，如果升学可一定要来这里呀，不知道这个会不会因为涉嫌广告而被CSDN警告，如果你是成电学子，那就收藏点赞评论和转发吧【手动滑稽】。不说了，上图。装备有点简陋，如果要超级分辨率，可能会失望。 器材： 小米note8 摄影： 意疏 后期：
2020-10-21 20:37:00
4415
9
原创 机器学习十大经典算法：朴素贝叶斯图像像素分割实战——Nemo鱼图像分割（python代码+详细注释）
前言 本文所涉是笔者模式识别课的第一次大作业——用朴素贝叶斯来做nemo鱼图像分割。它是用贝叶斯来做二元分类的简单实践，适合用来做贝叶斯算法入门，现将简要理论和笔者所写代码放在这里，供大家参考。不知道有没有朋友有疑问，明明是图像分割，怎么又和二元分类扯上了关系，其实逐像素的图像分割，就是在做分类。当然，这里的分割不是指复杂的语义分割，只是简单的根据灰度或者颜色分布来做区域分割。 贝叶斯理论：机器学习十大经典算法：深入浅出聊贝叶斯决策任务与数据数据 图像fish.bmp与掩膜ma
2020-10-19 19:33:46
9513
24
原创 docker下安装FSL，实现头皮剥离（命令行）
前言方法一：用现成的镜像docker pull neurodata/fsl_1604docker run -itd --name fsl_1604 -v /d/docker/fsl_1604:/shared_data fsl_1604docker exec -it fsl_1604 bashbet /shared_data/test.nii.gz /shared_data/test_out.nii.gz方法二：自己搭环境...
2020-10-17 15:12:00
2529
1
原创 Doker入门一条龙：Docker四要素，容器与虚拟机，Win10中设置容器与Windows文件夹共享，Docker上运行的含Ubuntu内核的容器中搭建Python数据分析环境，导出容器到win10
前言 这两天正好在学习Docker，于是把学习心得记录在这里，同为初学，若有表述错误的地方，还望不吝指出。对于Docker，其官方文档上有一段这样的描述：借助Docker，您可以以与管理应用程序相同的方式来管理基础架构。通过利用Docker的方法来快速交付，测试和部署代码，您可以大大减少编写代码和在生产环境中运行代码之间的延迟。 回想一下我们是怎样管理应用程序的，或许是push到github，然后你的伙伴可以从那上面git clone一份下来，然后把玩一下。不过他能够玩得起来的前提是，他
2020-10-08 17:23:33
1415
1
原创 机器学习十大经典算法：深入浅出聊贝叶斯决策（贝叶斯公式，最小风险贝叶斯，最小错误贝叶斯）
前言 常听人说，在学习一个东西时，如果能够深入浅出的讲给别人听，才算是真的懂了。最近正好在学模式识别，于是就用它来练笔了。贝叶斯决策（Bayes Decision） 是十大经典机器学习算法之一，其实我们日常做判断时常常用到它，只是我们没有发现。 现假设你面前有10张卷子，老师告诉你有5份是说没有复习实际也没有复习的学渣的，有5份是说没有复习却复习的很好的学霸的，你从里面任意抽了一份出来，是差点逆天的99分，不看名字，你多半会说这是学霸的卷子，或许你没有发现，在你做判断的一瞬间已经无意中使用了贝
2020-10-01 15:33:42
12890
4
原创 深度之眼Pytorch打卡（十七）：循环神经网络部件——RNN详细原理与pytorch的RNN层应用实例
前言 循环神经网络（Recurrent Neural Network，RNN）与卷积神经网络一样，都在深度学习中占有非常重要的地位。虽然先前笔记提到的全连接网络和卷积神经网络已经有很强的表示能力了，但由于网络结构的限制，它们只能处理定长的输入数据，并且由于有向无环的特点，它们只在意当前输入数据，而不考虑输入数据的顺序、以及前后数据是否有关联。而文本、语音和视频等数据，往往都是不定长的、并且前后数据相关性极大，一旦改变顺序，往往会失去原先的信息。所以需要一种考虑输入数据顺序，并且能够记忆以往数据信息的网
2020-09-20 16:56:37
1152
原创 驾考笔记：科目三满分攻略——荣县郝家坝科目三细节及线路详解
前言 时光真的如白驹过隙，不知不觉中就要考科目三了，老规矩，考试前做一个细节梳理。由于科目三的地域性非常强，难以作为通用笔记，所以此处就简单写了，权当保存一片记忆。但是据传，2020年9月1日起，荣县郝家坝科三线路就不能免费练习了，这时本笔记或许有点用处。文中所涉点位只是大概点位，需要根据实际情况来做调整。 考场： 荣县郝家坝科三考场 考车： 新捷达 分制： 100分，90分合格准备工作报告 报告考官，学员某某某前来考试。巡车 先按左后方的探头1一到两秒，然后按右
2020-08-22 22:50:14
3361
原创 深度之眼Pytorch打卡（十六）：Pytorch卷积神经网络部件——池化、反池化与其他层
前言 前面两篇笔记写了卷积神经网络的两个部件，即卷积层与反卷积层，这篇笔记写池化层与反池化层。池化是一种很重要的下采样方法，它像水池一样汇集一个小区域加粗样式内的值，并总结浓缩成一个值输出，常用的有最大池化Maxpooling——选择最大值输出，和平均池化Average Pooling——取平均值作为输出。反池化，是一种和转置卷积类似的上采样方法，在...
2020-08-18 12:53:07
2953
原创 深度之眼Pytorch打卡（十五）：Pytorch卷积神经网络部件——转置卷积操作与转置卷积层（对转置卷积操作全网最细致分析，转置卷积的stride与padding，转置与反卷积名称论证）
前言 原先是将这篇笔记和上一篇笔记合起来写的，但是由于内容很多，于是将卷积与转置卷积分作两篇。转置卷积（transposed convolution）是一种上采样技术，操作过程是卷积的反过程，也被称作反卷积（deconvolution），但它的操作结果不是卷积的逆。它也可以通过卷积操作来实现，只是需要将卷积核旋转180度。它主要应用在图像分割和超分辨率等任务中。笔记主要包括转置卷积操作和Pytorch转置卷积层。本笔记的知识框架主要来源于深度之眼，并依此作了内容的丰富拓展，拓展内容主要源自对torch
2020-08-16 12:09:39
1458
2
原创 驾考笔记：科目二考试满分攻略——超详细的点位细节梳理，各种意外情况处理方案整理
前言 还记得去年听台湾大学的李宏毅老师讲他的宝可梦的时候，他谈到他至今没有去考驾照，因为他在等无人驾驶。当时笔者的感受是，我们可真是同道中人，作为无人驾驶的坚定拥护者，并且觉得自己未来还能为该领域的发展做出贡献的人，笔者的确有点get不到开车的乐趣。可现在终究是去学了，不是因为想赚学分，不是因为家长的劝导，更不是因为工作的需要，而是因为一个女孩，或许只有这样的理由才符合笔者放荡不羁的心性。还有两天考科二，笔者在这里梳理一下科二考试细节，算是一份笔记也算是一份记忆。如果你看到了它，并且其中的只言片语对你
2020-08-09 18:20:56
14369
9
原创 深度之眼Pytorch打卡（十四）：Pytorch卷积神经网络部件——卷积操作与卷积层（对卷积操作超细致动图分析，卷积转矩阵乘法分析）
前言 人每天处理的信号中，有超过70%的是视觉信号，所以视觉问题，包括分类，检测，分割、风格转换等等占了深度学习任务中的很大部分。而卷积神经网络是计算机视觉领域当之无愧的霸主。卷积神经网络是稀疏连接，并且权值共享的，参数比全连接要少非常多，所以完完全全可以用图像全像素作为输入，并且它比全连接网络更容易训练，且能做得更深。另外，卷积神经网络，浅层卷积提取简单特征，深层卷积提取复杂特征，还有感受野等设计都在一定程度上受大脑视觉皮层结构的启发1 ，所以它比较适合视觉任务。这篇笔记主要学习卷积神经网络的核心—
2020-08-06 12:04:18
2436
2
原创 深度之眼Pytorch打卡（十三）：Pytorch全连接神经网络部件——线性层、非线性激活层与Dropout层（即全连接层、常用激活函数与失活 ）
前言 无论是做分类还是做回归，都主要包括数据、模型、损失函数和优化器四个部分。数据部分在上一篇笔记中已经基本完结，从这篇笔记开始，将学习深度学习模型。全连接网络是最简单、最好理解的神经网络，于是便从这里开始。Pytorch中已经封装好了组成全连接神经网络的部件 ，即线性层与非线性激活层，如果模型只是单纯的线性层叠加，最后模型也是线性的，等价于只有一个线性层，加入非线性激活层才使得深度有了意义。...
2020-08-01 13:09:36
11841
1
原创 深度之眼Pytorch打卡（十二）：Pytorch数据预处理——选择与自定义transforms（通过向图片上添加椒盐噪声、高斯噪声增来强数据的数据增强方法）
前言 这篇笔记继续学习pytorch的数据预处理方式transforms，前三篇笔记学习了transforms的使用流程，和各种方法实现。这篇笔记包括两个要点，第一是在已经选择好transforms方法，并且设置好参数数的前提下，如何在每次迭代的时候选择不同的transform方法或者使用不同的调用顺序，第二是如何自定义transforms方法。本笔记的知识框架主要来源于深度之眼，并依此作了内容的丰富拓展，拓展内容主要源自对torch文档的翻译理解，所用数据来源于网络。 数据预处理方法具体实现见：
2020-07-27 12:26:47
9129
2
原创 深度之眼Pytorch打卡（十一）：Pytorch数据预处理——数据增强（下）
前言 这篇笔记继续上一篇笔记的内容，深入的学习了解Pytorch的各种数据增强方法，由于内容很多，所以分为了上下两篇。本笔记的知识框架主要来源于深度之眼，并作了一些相关的拓展，拓展内容主要源自对torch文档的翻译理解，所用数据来源于网络。...
2020-07-24 12:18:07
1705
原创 深度之眼Pytorch打卡（十）：Pytorch数据预处理——数据统一与数据增强（上）
前言 本笔记续上一篇笔记，更加深入的学习pytorch的各种数据预处理方法，包括标准化、尺寸调整、随机裁剪、翻转等方法。本笔记的知识框架主要来源于深度之眼，并作了一些相关的拓展，拓展内容主要源自对torch文档的翻译理解，所用数据集来源于网络。...
2020-07-21 17:32:22
1483
原创 深度之眼Pytorch打卡（九）：Pytorch数据预处理——预处理过程与数据标准化（transforms过程、Normalize原理、常用数据集均值标准差与数据集均值标准差计算）
前言 前段时间因为一些事情没有时间或者心情学习，现在两个多月过去了，事情结束了，心态也调整好了，所以又来接着学习Pytorch。
2020-07-17 17:17:23
3212
7
原创 pyplot学习笔记（一）：使用scatter画彩色图像三维散点图，点坐标为RGB值，点颜色为RGB值决定的颜色（彩色图像色彩分布图）
前言import numpy as npimport matplotlib.pyplot as pltimport cv2 as cvimg = cv.imread('lena.jpg')b, g, r = cv.split(img)img = cv.merge([r, g, b])draw = np.reshape(img, (-1, 3))lists = list(set([tuple(t) for t in draw]))print(np.array(lists))ax =
2020-07-16 16:46:03
6220
原创 医学成像学习笔记（一）：核磁共振成像（MRI）k空间为何是图像频谱详解
前言 k空间是核磁共振成像图像重建的核心，可能很多人像笔者一样第一次学时会非常疑惑，为何k空间是图像的频域空间，观其填充过程，明明是空域信号的采样填充呀。网上很少有文章讨论这个问题，所以笔者在此写下自己的理解，供大家参考。MRI位置编码 现在的MRI一次扫描的是一个断层或者多个断层，所谓断层就是一个有厚度的面，通过z方向梯度场来选择。我们扫描一个断层的目的是为了获得该断层各位置的质子情况，它们携带着组织的性质信息，反应出来的就是信号强度。如果整个断层都采用相同的磁场强度，而我们只能得到一个断
2020-07-10 16:01:22
8962
9
原创 github基础的使用笔记（一）：github上传项目，筛选有价值项目和下载加速
前言 以前总是听人说，对于程序猿来讲代码管理是非常重要的，应该本科的时候就练就较好的代码管理能力。github是全球最大的代码仓库，大家肯定都在上面克隆过代码。今天假程序猿就来学习一下github的基本使用方法，包括上传项目代码到github，按需求下载项目，和下载加速，做个笔记在这里。上传项目安装git工具参考https://blog.csdn.net/jackson233...
2020-04-26 17:15:19
429
贝叶斯+EM算法实现代码（python+详细注释）
2020-10-24
lhy_PM2.5_pytorch.zip
2020-04-14
pytorch环境配置软件.txt
2020-03-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人