wangshuhuan1的博客

本文将介绍如何使用PyTorch实现多标签分类，并计算MAP,我们将提供代码示例以便更好地理解整个过程。

因为最近可用的开源代码库里找到了一个网络，因为要提高网络训练速度，网络的输入就改成了一组组特征，所以就需要提前利用特征提取模型进行特征提取，并将特征存为数组。

python新建指定大小的空白numpy数组

使用torch.save保存的pth模型能否直接转换成torch.jit.save的模型。

保存模型时去掉模型的全连接层

shutil用法

这里主要用到shutil这个库，关于这个库的妙用有很多，平常批量处理文件很有用。

原理就是在程序运行时，每训练一个epoch就把模型训练后得到的各种参数保存下来，下次训练直接加载你保存各种参数的这个模型就可以继续接着训练了。

预测错误改正

这里主要介绍CEloss的权重设置，因为大家无论是分类还是分割都可以用到CEloss，而且很多模型一开始自带的损失函数就是CEloss。

重采样其实就是建立一个权重采样器，能够在加载数据时对原始数据集按照权重进行采样。

病理组织图像实例级预测结果转大图预测结果

使用混合精度计算可以减少约一半的显存，但是要注意需要torch1.7.1以上。

在加入中断训练代码之后，从中断处训练，出现了保存的模型和优化器权重不在同一设备下的错误。在网上搜索之后，找到了许多解决方法，但都不适合我，在这里做一下总结

在txt文件中查找或者删除存有指定内容的行，适用于txt文件中只有一列内容的情况下。

在硬盘和内存当中加一个列表存储线程，数据读取改为从列表读取，可以解决机械硬盘读取数据慢的问题。

多分类的focalloss代码

python将文件夹中的指定文件复制到另一个文件夹

重新找到了另外一种对于基于staintools染色标准化的调用方式。解决了简单调用版出现蓝色噪声的问题。

python按顺序读写txt文件中的信息