- 博客(24)
- 收藏
- 关注
RSS订阅原创 蛋白组学数据——PCA图
绘制蛋白组学数据的主成分分析（PCA）图通常涉及以下步骤：准备数据：计算主成分：选择主成分：绘制PCA图：解释和标注：结果分析：
2023-11-28 11:10:50
513
原创 数据集的划分——splitfolders.ratio & sklearn.model_selection.train_test_split
该函数通常用于将数据集分为两个部分，即训练集和测试集。这是因为在典型的机器学习和深度学习流程中，通常只有两个主要的数据集部分：训练集用于训练模型，测试集用于评估模型的性能。其是一个 Python 库，用于将文件夹中的数据集按照指定的比例划分成训练集、验证集和测试集。它是一个方便的工具，特别适用于处理图像数据等文件系统中的数据集。要将数据集分为训练集、验证集和测试集三个部分，通常需要进行两次分割。函数将数据分成训练集和测试集。中按照 60% 训练集，20% 验证集，20% 测试集的比例划分，并将结果保存在。
2023-10-13 20:15:08
378
原创 Pillow & ImageDataGenerator
总结来说，Pillow是一个通用的图像处理库，而ImageDataGenerator是用于深度学习中数据增强的特定工具。如果你正在进行深度学习任务，ImageDataGenerator 通常更方便，因为它可以直接与深度学习框架集成，动态生成增强的图像。如果你只需要简单的图像处理，Pillow可能更适合。
2023-10-11 16:41:52
137
原创 服务器组件
内存是计算机系统中的主要系统内存，用于存储正在运行的程序和数据。系统内存的大小也以兆字节（MB）或千兆字节（GB）来衡量，它影响到计算机的整体性能，特别是在处理多任务、大规模数据和复杂计算任务时。：显存是位于显卡上的专用内存，用于存储图形和图像数据，以便显卡能够快速访问和处理这些数据。显存的大小通常以兆字节（MB）或千兆字节（GB）来衡量，它直接影响到显卡的性能，尤其是在处理复杂图形任务时。不同类型的服务器（例如Web服务器、数据库服务器、游戏服务器等）可能需要不同的硬件组件来满足其特定的需求。
2023-09-26 09:41:21
175
1
原创 如何利用TensorBoard来监控训练过程
TensorBoard是一个强大的可视化工具，可以用于监控和分析深度学习模型的训练过程。它提供了各种可视化图表和指标，帮助你更好地理解模型的性能、损失、权重等信息。在浏览器中，你将能够查看各种有用的可视化图表，包括训练和验证的损失、准确度、权重直方图、梯度直方图等。你可以根据需要切换不同的图表视图和时间段，以深入了解模型的性能和训练进程。TensorBoard会在训练过程中实时更新，因此你可以随时监控模型的进展并进行分析。通过观察可视化图表，你可以更好地理解模型的行为，并在训练过程中做出必要的调整。
2023-09-25 10:28:29
321
1
原创 F1分数（F1-Score）
精确率（Precision）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有被分类为正例的样本数量（True Positives + False Positives，TP + FP）的比值。召回率（Recall）是指分类器正确预测为正例的样本数量（True Positives，TP）与所有实际正例的样本数量（True Positives + False Negatives，TP + FN）的比值。F1分数是精确率和召回率的调和平均值，用于综合考虑分类器的性能。
2023-09-22 11:47:25
4603
1
原创 model.fit_generator 与 model.fit 的区别
这意味着可以使用生成器来动态生成数据批次，这对于处理大型数据集或需要在线数据增强（data augmentation）的情况非常有用。更适合处理大型数据集，因为它可以节省内存，并且可以在每个epoch中动态生成数据。接受一个生成器对象作为参数，它可以生成输入数据和对应的标签。但是，如果需要更多的灵活性或处理大型数据集，model.fit_generator。已经可以处理生成器对象，因此在大多数情况下，可以选择使用model.fit。参数，表示训练的总epoch数，而不需要steps_per_epoch。
2023-09-21 22:20:24
302
原创 优化器 rmsprop & RMSprop
两种方式都会将RMSprop作为优化器应用于模型的编译，所以选择其中任何一种方式都是正确的。如果您更喜欢在代码中明确地创建优化器对象并对其进行配置，则可以使用第二种方式。如果您喜欢使用字符串名称，TensorFlow将自动创建相应的优化器对象，这是第一种方式的便利之处。在TensorFlow中，您可以使用字符串形式的优化器名称（例如'rmsprop'）或直接使用优化器对象（例如。类的实例）来配置模型的编译。两种方式都是正确的，具体取决于您的喜好和需求。
2023-09-21 22:06:26
233
原创 shuffle参数含义
随机性：通过洗牌操作，模型在每个训练周期中都会以不同的顺序看到训练样本，从而增加了模型训练的随机性。增加数据多样性：洗牌可以增加数据的多样性，因为在每个训练周期中，模型都会看到不同的样本排列方式，从而有助于模型学习不同的数据分布和特征。避免模型记忆：如果不进行洗牌，模型可能会记住训练数据的顺序，而不是真正学习到数据的特征和分布。是一种常见的做法，以增加训练过程的随机性，帮助模型更好地学习数据的特征，提高泛化能力。时，每个训练周期开始时，生成器会将训练数据集中的样本随机打乱顺序。
2023-09-20 21:14:03
976
1
原创 Sigmoid 激活函数 & Softmax激活函数
总之，对于二分类的图像分类问题，通常可以选择使用 Sigmoid 激活函数或 Softmax 激活函数，具体选择取决于问题的需求和模型的设计。通常情况下，Sigmoid 是更常见的选择，因为它更直观地表示两个类别之一的概率。
2023-09-20 17:23:54
159
1
原创 五折交叉验证“5-fold cross-validation”
它的基本思想是将原始数据集分成五个相等大小的子集（或折叠），其中四个子集用于训练模型，而剩下的一个子集用于测试模型。最后，将五次的性能评估结果取平均值以得到最终评估结果。模型训练和测试：依次选择其中一个子集作为测试集，其他四个子集作为训练集，训练模型并在测试集上进行评估。性能度量：对于每一次测试，可以使用各种性能度量指标，如准确度、精确度、召回率、F1分数等，来评估模型在测试集上的性能。五折交叉验证是一种常用的交叉验证技术，但在某些情况下，也可以选择其他折数（如十折交叉验证）来更全面地评估模型性能。
2023-09-20 16:27:58
10356
4
原创 PIL库和OpenCV库
在一般情况下，PIL和OpenCV之间的图像转换是相对简单的，因为它们都支持常见的图像格式，如JPEG、PNG等。然而，需要注意的是，两个库可能在某些细节方面有所不同，比如像素值的范围、通道顺序等。当你在PIL和OpenCV之间切换时，你可能需要进行一些适应性的处理，以确保图像的正确显示和处理。当你使用PIL库保存图像后，不一定非要使用PIL库加载和处理图像，你也可以使用OpenCV来加载和处理这些图像。当你从一个库切换到另一个库时，可能需要进行一些适应性的处理，以确保图像的正确显示和处理。
2023-08-07 21:52:10
700
1
原创 np.random.shuffle(a)的作用
进行原地的随机重排，即打乱数组中元素的顺序，使得数组中的元素排列变得随机。这在数据处理、机器学习、统计分析等领域中经常用到，例如在训练模型时对数据进行随机化，以减少模型过拟合等问题。的元素顺序都会被随机打乱。注意，这个操作是原地进行的，也就是说它会修改数组本身，而不会返回一个新的打乱后的数组。是NumPy库中用于随机打乱数组元素顺序的函数。，而不会创建一个新的数组。每次运行这段代码，输出的数组。具体来说，它的作用是对数组。这个函数会修改传入的数组。
2023-08-07 20:46:06
111
1
原创 os.path.join()
"a" 和 "b" 这三个部分组合成一个完整的路径，用于指定训练数据集的文件夹路径。是 Python 中用来将多个路径组合成一个完整路径的函数。是一个变量，存储了你的数据集的主文件夹路径，比如。会将这三个部分连接起来，得到。，这就是图片所在的文件夹路径。
2023-08-07 18:12:02
1465
1
原创 如何查看自己使用的Python、CUDA、Pytorch、TensorFlow的版本（Windows）
查看Python、CUDA、Pytorch、TensorFlow的版本（Windows）
2023-08-05 16:11:38
5415
1
原创 为什么在进行深度学习以及机器学习时要将图像转换为numpy数组以及如何转换？
为什么在进行深度学习以及机器学习时要将图像转换为numpy数组以及如何转换
2023-07-31 22:24:48
557
1
原创 读取显示.npy类型的图像
图像的shape为(height, width, channels)，有时文件通道数不一定是0（灰度图像）或者3（彩色RGB图像），当 channels不是0或者3时，若要显示图像，需要添加附加条件显示第几个通道，如下代码所示，此时才能正常显示。
2023-06-26 10:24:42
607
2
原创 利用python加载nii格式的MR蒙片序列和原始图像序列，然后结合蒙片序列和原始图像序列，使输出图像仅为肿瘤区域的python代码，并保存输出序列
这样，你就可以加载NIfTI格式的MR蒙版序列和原始图像序列，并生成仅包含肿瘤区域的输出图像序列，并将其保存为NIfTI格式的文件。请确保替换示例代码中的文件路径为实际的文件路径，并确保文件存在并与数据匹配。要加载NIfTI格式的MR蒙版序列和原始图像序列，并将其结合以生成仅包含肿瘤区域的输出图像序列，你可以使用Python中的。将蒙版序列应用于原始图像序列，以生成仅包含肿瘤区域的输出图像序列。函数加载原始图像序列和蒙版序列。保存输出图像序列为NIfTI格式的文件。替换为保存输出图像序列的文件路径。
2023-06-25 15:03:00
332
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人