按照上面的提示，我们用的trainer是'nnunet.training.network_training.nnUNetTrainerV2.nnUNetTrainerV2'>一般用法：nnUNet_train 2d nnUNetTrainerV2 TaskXXX_MYTASK FOLD --npz。2d代表2d Unet网络，nnUNetTrainerV2代表trainer，Task是任务id，nnUnet是做分割的一套完整代码，用在医学图像分析中较多，效果还很不错。数据增强也非常简单，只有缩放和旋转。

bm可以看做是hopfield的一个特例。rbm又是bm的一个特例。下面的代码，看了很久才恍然大悟，好还前面看过bm的理论文章。def sample_h_given_v(self, v0_sample):''' This function infers state of hidden units given visible units ''' # compute the

数据要归一化到[0..1)    貌似dbn还是很普通。cnn提供了共享权值，局部感受野，dbn提供了基于层的学习和非监督学习，模拟了人类的学习，我们可以不知道一个事情是啥，当看多了，以后一点就通了。   有把cnn和dbn结合起来的。   如果把cnn和dbn结合，是在第一层实现cnn，还是每个层都用相同的cnn呢？   dbn的各层，是否可用不同的rmb？对于shared

siri的出现让语音识别一下子很热门啊。下午有空，找几篇语音识别的论文看看。发现语音识别的研究圈子好像比计算机视觉封闭。   像opencv这样的开源库，以及mnist， pascal voc等很容易找到的研究库，语音识别也一时google不出来。   语音识别的英文翻译：speech recognition另一方面，IBM的viavoice ，微软的语音识别sdk 倒是很容易下载到，

theano.tensor.dot（x,y）x,y如果是向量，自动会对y进行转置如果是矩阵,要注意对齐。一般情况下，一个样本应该看做1行n列的向量。tensor.sub(x,y)碰到一个问题，如果x是n行的，y是1行的。要对x中的每行都减去一个y。theano中不知道如何写方便。好像要用循环。就是scan来做。不过scan是对实际的数进行操作的。不是对模型进行定义。而这

这两天的努力让我明白，开源软件和商业软件是2种不同的文化圈。在windows下使用开源软件的各种痛苦，我是差不多都尝过了。现在也越来越不喜欢打开那个大大的vs。虽然我认为windows还是很优秀的东西。商业软件也是很节省时间的事情。不过。我还是要安装ubuntu了。一半是因为theano吧。因为服务器是winidows 2008的。所以，我得在hyper-v上来安装ubuntu ser

这几天用了下ubuntu server ，字符界面。从win过来的我，虽然有dos的经验，还是费了点时间。sudo  可以在命令前加sudo，表示超级用户执行。命令可以带路径的。显示当前路径配置$PATH.注意大小写。ubuntu区分大小写的。添加路径 export PATH=你的路径:$PATH,多个路径用：隔开。ls 可以列出当前目录下的文件。 -a可以看到隐藏文件。-

              使用网易镜像给Ubuntu的apt-get提速(sohu那个镜像，电信线路太慢了)http://my.oschina.net/fishman/blog/110278刚安装的ubuntu系统, 安装的中文版12.04.2， apt-get会自动使用 sohu的（cn.archive.ubuntu.com、mirrors.sohu.com）。   电信线路真

http://blog.csdn.net/sasoritattoo/article/details/10020547使用国内镜像通过pip安装python的一些包 学习flask，安装virtualenv环境，这些带都ok，但是一安装包总是出错无法安装，http://e.pypi.python.org/这个就是官网了，清华大学提供的建议非清华大学校内的使用这个镜像：

用过的神经网络工具里，theano是最好的。theano基于python2.7数据集大，要用theano64位。mingw64环境下。theano64位g++编译不成功。没有mingw64位，theano没法g++编译，速度慢。所以用ubuntu server 64位hpyer-v下安装，最多只支持4个虚拟cpu，电脑性能发挥不出来，不过也凑合用了。ubuntu本身不知道能

python里的运算符是根据对象的类型来判断的，如果a，b是list，则a+b是2个list相加，并成一个list，如果要做elementwise的运算，实现a，b里的元素各自相加，则要写代码。于是写了段for 代码，来做，速度实在是慢啊。numpy里提供了numpy.add,numpy.multiply等elementwise 的运算。速度快很多。相同的操作，用python的fo

今天看deep learning的例子。读入mnist的时候，出现了memoryerror，怀疑是shell的内存管理问题。后来，我在cmd中python name.py就没有这个问题。在idle中也没有问题。idle的智能提示需要的时间太长了。不知道能设置不？微软的vs也支持python，还是感觉不好用。不知道咋的，一打开vs就很不愉快。vs，matlab这种东西都太庞大了。运行一个

opencv2.2中有很多新方法的例子，里面的bagOfWords 例子给出了使用pascal voc库的详细例子。

2011.3.25 bag of words中结果的图形化以及用训练结果做测试。先来看看opencv2.2中svm的使用，还是以（1）中的例子来看。

关于这两个曲线的概念可以看wikihttp://en.wikipedia.org/wiki/ROC_curve  rochttp://en.wikipedia.org/wiki/Precision_and_recall precision这里主要涉及如何画这两个曲线。

    前面运行bag of words的例子碰到了内存不够用，我的内存是2g的，虚拟内存设置了6g，大概系统用了2.5g内存时，在new的时候就出现了badalloc错误，试着在boot。ini 里设置了3gb参数，也没用。    只有试着安装个64位的win7看看。    在查资料的时候意外发现了mpi-ch，貌似可以在局域网内运行并行程序。一定要试试。     http://hi.baidu.com/_00000000/blog/item/a5068e5635d51a153a2935b5.html

   翻了下以前的blog，08年12月写过一个感知器的程序。一下子已经2011年6月了。期间看过一些bp，cnn，svm的资料，大多是生吞活剥，不甚了了。虽然，现在的热门似乎是贝叶斯，概率，svm。我始终对bp更感兴趣。可能是bp足够简单吧。  真的动手code，还有很长的一段路，走到哪里算哪里了。--2011-6-8    首先是神经元的设计。一个神经元包括输入，输出，权值，传输函

Lecun的cnn引起了我很大的兴趣，从今天开始看Lecun的论文，并把实践结果发布在这里。20100419 Generalization and Network Design Strategies 论文看完了，搞清楚了里面描述的5中网络结构.BP规则部分的推导，需要看其他的书。以前看的《神经网络设计》中文版中讲的很清楚，当时也看懂了。这两天看下。准备实现这5种网络。20100422

前2天看到新闻说，用微软用深度神经网络大幅度提高了语言识别的正确率http://research.microsoft.com/en-us/news/features/speechrecognition-082911.aspx于是对深度学习有了兴趣，由于没看过微软的文章，所

一个机器学习讲义，很好。每次看书都是从基础开始看起。可悲啊。不过也慢慢的开始理解了。Notes de cours IFT6266 Hiver 2010http://www.iro.umontreal.ca/~pift6266/H10/notes/mlintro.html

今天准备来运行下deep learning 上的几个python的例子。  显示下载theano，直接在cmd里，用easy_intall安装就好了。因为安装python时用的是python(x,y)版本。easy_install意见集成进去了。如果原来spyder打开的

    这两天开始对增量学习感兴趣，于是下载了几篇论文，如learn++，因为learn++中提到了adaboost，所以把adaboost也下载了，似乎这两年adaboost也挺热门的。10-16