- 博客(9)
- 收藏
- 关注
RSS订阅原创 学透FGVC项目（用于心脏超声图像训练37分类模型）
①首先用testpicture.py测试一下，先检测每张图片，因为医院数据有时候导出来的图片会存在问题，有可能读不出来；这段代码的主要功能是遍历指定文件夹及其子文件夹中的所有文件，检查文件名中是否包含中文字符，如果包含则删除该文件；以及打印出打不开的图像的路径。一般情况下，训练模型划分比例是8：2，如果是复核的话就是5:5,一半用于训练，一般用于预测；训练一次后再反过来，刚刚用于预测的拿来训练，拿来训练的用于预测。⑤get infer dataset是生成测试用的csv文件，和all.py的作用差不多。
2025-06-14 17:09:11
112
原创 学透MANIQA项目评分模型！（我用于评估心脏超声影像）
这段代码是一个完整的图像质量评估（IQA）模型训练和验证的流程，主要基于MANIQA模型（一种基于Transformer的IQA模型）①先用testpicture.py 和 deletesame.py对数据进行清洗；再用all.py对数据集进行划分。③再用 getinferdataset.py 生成预测数据集的csv文件。④然后使用inference.py对数据集进行预测评分，：将每个类别的图像按8:2比例随机划分为训练集和测试集。：数据集统计信息（类别名称、ID、数量分布）数据集在datasets下。
2025-06-10 11:29:35
100
原创 心脏超声图像五分类模型
all.py这个python文件创建了几个CSV文件：datasets_info.csv、train.csv和test.csv。然后跑main.py, 不知道为啥一直报错，一直说pretrained的参数有问题，我试过改成null，或者~都是报错。先把数据集划分好，然后去改yaml配置文件里的参数，比如数据集路径，batchsize，由于这次的数据集是五分类的，所以我将命名为从0到4.：记录每个视图类别的总图像数、训练集和测试集数量。：分别存储训练集和测试集的图像路径及其标签。如图所示，有五种类别。
2025-04-04 22:03:55
323
原创 机器学习的通用工作流程
特征工程：是指将数据输入模型之前，利用你自己关于数据和机器学习算法的知识对数据进行硬编码的变换（这种变换不是模型学到的），以改善算法的效果。在多数情况下，机器学习模型无法从完全随意的数据中进行学习。特征工程的本质：用更简单的方式表述问题，从而使问题变得更容易解决。
2025-03-07 15:15:04
105
原创 小白学Transformer模型#最全总结！
Transformer是基于编码器-解码器的架构来处理序列对，Transformer 的编码器和解码器是基于自注意力的模块叠加而成的，源（source，输入）序列和目标（target，输出）序列的嵌入（embedding）表示通过加上位置编码（positional encoding）加入位置信息，再分别输入到编码器和解码器中。， 两种注意力一起作用，使得进入动物眼中图像信息被过滤了、更好的选择性的去噪了，也就是信息被更好的压缩了， 有了这两种注意力，就能够极大的压缩信息，不需要在RNN的状态传递。
2025-01-08 17:08:09
886
原创 用Maniqa模型训练心脏超声图像
该模型旨在根据人类的主观感知来评估图像的感知质量，特别是在处理基于生成对抗网络（GAN）生成的失真图像时，能够提供准确的质量评分。- 应用场景：MANIQA 广泛适用于图像处理、视觉检测和人工智能领域的诸多场景，如图像压缩、去噪或增强算法的效果评估，以及生成对抗网络（GANs）训练后的结果质量判断。左图是我的代码文件和配置文件，右图为我的数据集，类型都是二尖瓣水平短轴切面，由于maniqa是评分模型，所以还需要评分的分数作为标签。对图像进行预处理，删除相同图像、有问题图像。Maniqa模型架构如上图所示。
2025-01-08 14:15:36
791
原创 2.Python深度学习
5.将参数沿着梯度的反方向移动一小步，比如 w= learning_rate * gradient，从而使得这批数据上的损失值减小一些。（mini-batch stochastic gradient descent 简称小批量SGD）3.计算模型在这批数据上的损失值，用于衡量y_pred和y_true之间的差距。2.在x上运行模型，得到预测值y_pred，这一步叫作前向传播。1.抽取训练样本x和对应目标y_true组成的一个数据批量。4.计算损失相对于模型参数的梯度。是指每批数据都是随机抽取的。
2025-01-02 15:35:11
362
原创 1.Python深度学习
计算机有效工作的常用方法是：由人类程序员编写规则，计算机遵循这些规则将输入数据转换为适当的答案。但机器学习是把这个过程反过来：机器读取输入数据和相应的答案，然后找出应有的规则，机器学习系统是训练出来的。通过以下两步来寻找决策边界：1.将数据映射到新的高维表示；2.尽量让超平面与每个类别最近的数据点之间的距离最大化，从而计算出良好的决策边界.：将损失值作为反馈信号，来对权重值进行微调，以降低当前示例对应的损失值。：首先构建许多专门的决策树，然后将它们的输出集成在一起。：手动为数据设计良好的表示层。
2024-12-27 12:58:44
249
1
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