weixin_41793966的博客

（1）pytorch在服务器上训练好的模型，下载到本地后，需要转换到CPU后才能使用。torch.load(‘C:\Users\atr\Desktop\save\ceshi.pth’,map_location=‘cpu’)该条语句使用前，要先预先加载模型

图像分割总结图像分割有传统的分割方法和用深度学习分割的方法，本文的总结主要是对深度学习的分割方法做一些概述，然后对一个分割代码进行解析，后续有新的收获将会继续更新。主流的图像分割算法都是基于U-net的全卷积神经网络，不同的研究是在这个网络框架的基础上进行改进。关于U-net网络结构，网上概述很多，百度查询即可。图像分割有点类似于分类算法，不同于分类是对网络提取出来的特征进行分类，其label是数字，图像分割是在卷积后输出的map，其label是一个mask,通常是一个二值图像，目标区域是255，非目

"""调用VGG19模型输入一张彩色图像输出指定层的特征VGG19模型的输入图像是四维的，但是加载进去的图像是三维的，所以要提前reshape指定层的输出是四维的，所以要reshape到三维如果要可视化，使用spyder只能显示而是图像"""from __future__ import print_functionfrom keras.preprocessing.image import load_img, save_img, img_to_arrayimport numpy as n

该程序的功能是实现三层BP神经网络；其中输入层有三个神经元，隐藏层有四个神经元，输出层有三个神经元；程序的目的是随机生成一个（3,1）的矩阵，然后定义标签为（0,1,0），通过前向传导和反向传导，最终输出的结果接近标签值。生成的数据用X表示两层权重参数分别用W1，W2表示两层偏置参数分别用b1,b2表示隐藏层节点的输入为layer1,输出为layer1_out输出层节点的输入为layer2,输出为layer2_outimport numpy as npimport randomimpor

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_dataimport cv2from PIL import Imageimport skimage.io as ioimport numpy as npimport matplotlib.pyplot as plt加载mnist...

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt首先绘制一个散点图，建立一个基于y=0.3x+0.4的散点图，方法有两种num=500#散点个数为500个vectors_set=[]#建立一个集合，用于后面存储散点的坐标for i in range(num): x=np.rando...

##对.gz文件进行读取，解压，保存 load_path="I://ASD相关资料//data//control//" files=os.listdir(load_path) for file in files: print(file) # 获取文件的名称，去掉后缀名 file_1=file.replace(".gz","") print(file_...

导入所需要的库import nibabel as nib #专门读取nii文件的库，这一部分需要翻墙用pip install nibabel安装import tensorflow as tfimport numpy as npfrom matplotlib import pyplot as pltfrom nibabel.viewers import OrthoSlicer3Dimpo...