weixin_41693877的博客

如何保存libtorch生成的张量并在python中加载

前言作为在英伟达自家GPU上的推理库，TensoRT仍然是使用英伟达显卡部署方案的最佳选择。TensorRT虽然支持Pytho和C++调用，但是在TensorRT8之前，python api只能在linux上使用，直到TensorRT8才支持python api在window下使用。具体安装在官方文档都有说明，附上官方文档：TensorRT官方文档安装.........

原文链接：ubuntu16.04升级cmake版本，可任意切换版本记录一下，做个备份

系统：ubuntu 20.04显卡：英伟达3070cuda11.1+cudnn8.0.4python：3.6.13首先将openpose整个仓库克隆在本地，仓库地址：openpose官方文档说了“Anaconda 不应安装在您的系统上或应停用Anaconda 包含一个与 Caffe 不兼容的 Protobuf 版本。要么卸载 anaconda 并通过 apt-get 安装 protobuf，要么使用命令停用 conda deactivate”，但是经过实际测试，可以在conda虚拟环境下进行编译，

将conda_dir/envs/实际环境名 打包压缩将conda_dir/pkgs这个目录打包压缩上传到服务器，解压后放在对应的conda_dir目录下vim /home/实际名/condadir/envs/实际环境名/bin/pip修改第一行的路径

目前遇到的loss大致可以分为四大类：基于分布的损失函数（Distribution-based），基于区域的损失函数（Region-based,），基于边界的损失函数（Boundary-based）和基于复合的损失函数（Compounded）。参考文章：语义分割中的 loss function 最全面汇总一文看尽15种语义分割损失函数（含代码解析）【损失函数合集】超详细的语义分割中的Loss大盘点医学影像分割—Dice LossPytorch tversky损失函数回归损失函数：Log-Co

写在前面的话本文是对nnUNet如何在2D数据上进行训练以及预测，是对几篇博文参考之后的总结，由于本人对nnUNet使用也是刚开始不久，所以对于nnUNet的理解肯定还停留在表层，所以原理上的东西就不多介绍了，更侧重于介绍其在2D数据上的使用流程。官方也有nnUNet训练2D数据的例子，一切以官方为准，本文仅作参考。本人的系统环境为：Ubuntu18.04，pytorch为：1.7.1+cu110。其余环境没有测试过。参考文章：保姆级教程：nnUnet在2维图像的训练和测试四：2020.07.2

系统：win10vs版本：vs2019libtorch：1.10.0cuda：10.2.在win10和vs2019配置好libtorch后，发现只能调用CPU，一旦指定GPU，就会报以下错误：PyTorch is not linked with support for cuda devicesException raised from getDeviceGuardImpl at C:\w\b\windows\pytorch\c10/core/impl/DeviceGuardImplInterfa

由于本人使用的系统是win10，所以记录也是在win10下使用ncnn。前期准备网上很多介绍ncnn的配置教程都是从头开始构建编译，其实官方已经编译好一些版本的ncnn，直接下载就行了，没有必要从头开始编译。官方github: https://github.com/Tencent/ncnn从官方仓库的页面，点击releases我用的是vs2019，shared是动态链接版本，我下的就是shared版本解压后随便存放在哪个盘都行，然后记得在环境变量的path把bin路径添加进去，像我就放在D盘

最近看了一篇有关多示例学习的paper，题目为Data Efficient and Weakly Supervised Computational Pathologyon Whole Slide Images，对里面提出的模型比较感兴趣，特此做一下笔记。github地址：https://github.com/mahmoodlab/CLAMpaper地址：https://arxiv.org/abs/2004.09666笔记这篇paper提出了一个Clustering-constrained Atten

最近在学习如何使用mmdetection，收集了一下目前所看到的一些trick和技巧。参考文章：mmdetection 模型训练技巧入门mmdetection（捌）—聊一聊FP16目标检测比赛中的tricks（已更新更多代码解析）1. FP16训练在mmdetection中，使用FP16非常方便，只需要在configs下的模型文件里添加一行即可。 _base_ = './faster_rcnn_r50_fpn_1x_coco.py'# loss_scale你可以自己指定，几百到1000比

关于多示例学习的资料网上比较少，但是在医学图像方面还是有人在应用的。主要是因为一般比较大，几个G都是十分常见的，这么大图片是无法直接训练，一般都会进行切图，所以天然契合多示例学习bag和instance的概念。最近看了一篇论文刚好关于这方面的，所以做下笔记。github地址：https://github.com/binli123/dsmil-wsipaper：https://arxiv.org/abs/2011.08939背景知识在多示例学习（MIL）中，一组训练样本被视为包含多个instance的

背景本人开发环境是docker容器里有可视化界面的Ubuntu18.0，因为项目需求需要用到jupyter notebook，然而在安装启动后，却出现了以下错误：socket.error: [Errno 99] Cannot assign requested address解决方法创建Jupyter notebook的配置文件jupyter_notebook_config.py，在终端中输入：jupyter notebook --generate-config或者版本不同，可以试下以下命

刚使用jupyter notebook的时候，把之前写的py脚本导了进去，一运行，发现了报了以下的错误：usage: ipykernel_launcher.py [-h] [--cfg CFG] [--device DEVICE] ipykernel_launcher.py: error: unrecognized arguments: -f /project/.local/share/jupyter/runtime/kernel-e24ff4da-c615-4d49-8e70-87a7bec2f9e7

1. 镜像常用命令docker images：列出docker下的所有镜像docker search XXXX：从dockerhub上搜索镜像的名字docker pull XXXX： 下载镜像（从换过的源），可以从dockerhub上搜索结果复制命令。注意： docker pull tomcat:latest 加版本号，默认latestdocker tag 当前镜像名:TAG 仓库地址/镜像名称:TAG： 镜像打tagdocker push仓库地址/镜像名称:TAG：镜像上传仓库docker

因为项目需求，需要用DenseNet模型提取图片特征，在使用Pytorch的hook机制提取特征，调试的时候发现提取出来的特征数值上全部大于等于0。很明显提取出来的特征是经过ReLU的。现在来看一下笔者是怎么定义hook的：...

最近在学习docker时，发现使用ubuntu构建镜像时，如果有apt-get install命令，老是出现以下错误：The command ‘/bin/sh -c apt-get install -y gedit’ returned a non-zzero code: 100查了一下，发现很多人都说是使用ubuntu原始的源在apt-get install下载新包时，可能因为网络问题导致出现此报错。尝试了一下换源，果然成功解决了问题，下面附上解决方法。解决方法# 原始命令RUN apt-get i

注意力机制可以说是深度学习研究领域上的一个热门领域，它在很多模型上都有着不错的表现，比如说BERT模型中的自注意力机制。本博客仅作为本人在看了一些Attention UNet相关文章后所作的笔记，希望能给各位带来一点思考，注意力机制是怎么被应用在医学图像分割的。参考文章：【语义分割系列：七】Attention Unet 论文阅读翻译笔记 医学图像 python实现医学图像分割-Attention Unet如果不知道什么是注意力机制，可以看看这篇博客：浅谈Attention-based Model【

因为有一个分类模型始终得不到比较好的结果，所以查阅资料发现可以使用类激活图（CAM）的方式来看看模型究竟学到了什么，是不是重点关注我们希望的区域，所以特此记录一下学习过程。简介CAM全称是Class Activation Map，即类激活图。可以理解为模型某次预测中，对哪个区域的响应最大，可以说这个区域很大程度上决定了模型这次预测结果。以猫狗大战为例，如下面这张图一个任意的分类网络，输入一个既包含着一只狗，又包含着一只猫的猫狗合影图片，它会输出一个2维度的概率向量，分别对应着图片分类为猫和图片分类

在手动加载densenet121权重时，报了一下的错误：