- 博客(62)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 tensorflow源码阅读
注：在利用 tensorflow 做实际项目时，对其中的某些模块使用不明白或实现好奇。因此想到写一篇 trace code 的博客用来记录官方的实现方法。刚开始一个一个模块可能比较凌乱，等到积累到一定程度会整理为一篇系统的 tensorflow 代码解析的博客。1，SAME or VALID padding对于 VALID padding 而言，padding 数量为0，因此 ...
2018-08-04 16:35:33
533
原创 numpy 数组深拷贝与浅拷贝
相关问题在这篇博客中已经说得比较清楚：link 补充一个在函数中使用的例子：import numpy as npimport cv2def flip_transform(image, label): for i in range(image.shape[2]): image[:,:,i] = cv2.flip(image[:,:,i], 0) lab...
2018-04-13 11:32:01
5211
原创 tensorflow的使用进阶
Note: When is_training is True the moving_mean and moving_variance need to be updated, by default the update_ops are placed in tf.GraphKeys.UPDATE_OPS so they need to be added as a dependency to th...
2018-03-21 11:00:52
746
原创 tensorflow 中反卷积操作（transpose conv）详解
题主花了很多时间去理解 tensorflow 中 transpose_conv 的计算方法，终于找到了一篇写得比较基础的博文link，文中用 python 实现了 tensorflow 中 transpose_conv 的功能，但是存在一点点不足，code仅仅适合 stride=2,kernel=3的场合，现修改其代码，使其适应于 stride = 2,但kernel 可以为任意值的场合。...
2018-03-15 17:08:13
3913
原创 A Unified Framework for Tumor ProliferationScore Prediction in Breast Histopathology
A Unified Framework for Tumor ProliferationScore Prediction in Breast Histopathology This paper was accepted by the 3rd Workshop on Deep Learning in Medical Image Analysis (DLMIA 2017), MICCAI 2017.
2018-01-31 13:08:19
297
原创 Deep Learning Assessment of Tumor Proliferation in Breast Cancer Histological Images
Deep Learning Assessment of Tumor Proliferation in Breast Cancer Histological Images To be done 1, receptive field 的计算https://www.cnblogs.com/objectDetect/p/5947169.html 2, layer数的计算1,IN
2018-01-31 11:35:38
278
原创 Large Kernel Matters Improve Semantic Segmentation by Global Convolutional Network
1
2018-01-30 11:55:43
397
1
原创 Mask-RCNN
mask-rcnn roi align 的解释 http://blog.leanote.com/post/[email protected]/b5f4f526490b
2018-01-25 21:04:08
208
原创 常见医学图像处理算法
1，binary dilation，用来去除一些灰度值小的噪声。在具体应用中如何选取核需要尝试 scipy 中有现成的包可以调用 链接2，Otsu’s method，用来对图像进行二值化，可以用来区分前景和背景。利用opencv 代码如下：cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU)3,flood fill algorithm
2018-01-24 18:57:06
10838
1
原创 RCNN,SPP-NET,FAST_RCNN,FASTER-RCNN结构及训练方法总结
To be done: 1,Fig.1 需要补充图片说明 2, SVD 相关 3，roi 到 feature map 的映射该怎样确定？即 feature map 上的一个点对应的是 原图中的一块区域。 4,faster-rcnn部分总结有待完善。通常做 detection 的流程是： 1，确定 ROI（即很多粗略的 bounding-boxes） 2，对每个 ROI 进行
2018-01-24 14:45:47
319
原创 U-Net: Convolutional Networks for Biomedical Image Segmentation
U-Net: Convolutional Networks for Biomedical Image Segmentation Here is the article link.code layers.py bilnear_up_sample_weight() 函数不太理解 fully_connected（）中weight的维数unet.py endswithtest 的时
2018-01-24 14:13:50
253
原创 faster-rcnn 代码阅读
net-network 42， self._image 之前没出现过 43， _im_info 44, bilinear 插值法复习
2018-01-23 23:40:41
183
转载 CSDN-markdown编辑器
欢迎使用Markdown编辑器写博客本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：Markdown和扩展Markdown简洁的语法代码块高亮图片链接和图片上传LaTex数学公式UML序列图和流程图离线写博客导入导出Markdown文件丰富的快捷键快捷键加粗 Ctrl + B 斜体 Ctrl + I
2018-01-23 22:02:54
123
原创 Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks
1，Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks 这篇文章发表在 MICCAI2013 ,文章中提出的方法在 ICPR2012 mitosis detection competition 中取得了第一名。 其中方法大致为(Fig.1)： Fig.1 1,训练一个CNN分类器
2017-12-30 16:23:30
1040
原创 python 基础知识补充
1，当函数参数数量不确定时，可以使用 *args 和 **kwargs 做形参 *args 适用于一般类型的参数，应用举例：def fun_var_args(farg, *args): print('args:', farg) for value in args: print('another arg:',value ) fun_var_args(1, 'two',
2017-11-27 11:27:29
205
原创 python 可视化
1，绘制散点图：# k_to_accuracies: A dictionary holding the accuracies for different values of k that we find when running cross-validation with int key and list value.for k in k_choices: accuracies = k_t
2017-11-27 11:06:12
482
原创 numpy库函数补充
1, np.argsort ： Returns the indices that would sort an array. 在 KNN 中取前 K 个最小值时就可以使用这个函数>>> x = np.array([3, 1, 2])>>> np.argsort(x)array([1, 2, 0])2, np.bincount:Count number of occurrences of each
2017-11-23 21:50:09
219
原创 tensorflow 使用
一个 graph 中可以有多个 tf.session(), 必须确保 vaiable 和 placeholder 在同一张 graph 中，sess.run() 中的 sess 已经执行过sess.run(tf.global_variables_initializer())。默认 import tensorflow 一次，则创建一个默认的 graph 。
2017-11-21 23:51:06
164
原创 assignment3
1，python中形参实参 http://www.cnblogs.com/DamianZhou/p/3948898.html 不应随意改动传进来的实参，因为如果传进来的是数组，形参就引用了实参，那么在函数改动形参后，实参也会受到影响import numpy as npa = np.arange(9).reshape((3,3))adef func(b): b[0,:] = 0
2017-11-07 10:11:39
240
原创 Assigmment2
1, 做batch_normlization时，computation graph的计算：2，假设输入是X的维度是(N,C,H,W)，对卷积层做batch_normalization时，scale和sift有C维，计算mean和std是对N*H*W维来做计算，而不是对N维，即不是对第c个通道的（i，j）位置计算mean和std。但在对全连层做BN时，是对N维来计算。
2017-11-05 10:18:37
181
原创 Alex-Net
文章来源：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
2017-11-02 11:29:28
324
原创 R-CNN
Rich feature hierarchies for accurate object detection and semantic segmentation Here is the paper link. To understand this paper,we should learn some background konwledge first.background konwled
2017-11-02 11:25:07
337
原创 assignment 1
1.在需要使用bool矩阵选取元素数值时，应该将bool类型转换为float类型（此处的错误导致我debug了很久）：a = np.array([[1,-1,3],[2,3,5],[-1,-3,4]])bool_m = a > 0b = np.sum(bool_m,axis=1)bool_m[1,:] = b #此时bool_m中的元素还是true/falseprint(bool_m)bo
2017-10-27 16:23:41
501
原创 lecture10,Recurrent Neural Network
Question为什么要避免梯度消失？当前层的loss的在对权值矩阵（注意：每个时刻的权值矩阵是相同的）求导时，由于链式法则，得到的是一个求和项，其中每一项对应与前面一层对权值矩阵的求导，而在rnn中梯度消失是指求和项中当前层较远的关于权值矩阵的梯度为0，但这不会导致该求和项为0呀！ 而我理解的gradient vanishing是指权值矩阵不会变化。
2017-10-26 10:32:09
124
原创 lecture9,CNN Architectures
1,AlexNet2,VGGNet3,GoogleNet4,ResNet5,NetworkInNetwork
2017-10-25 10:22:53
208
原创 lecture7,Training Neural Networks, Part 2
1,Fancier optimizationsgd存在的问题：Very slow progress along shallow dimension, jitter along steep direction。if loss changes quickly in one direction and slowly in another.local minima or saddle pointA,
2017-10-23 11:24:27
251
原创 lecture6,Training Neural Networks, Part I
1,to be done1,slides 21页中为什么ww的梯度可以为全负值 （我认为只能为全正值，因为xx为正，wx+bwx+b对ww的gradient为xx,而activation function对wx+bwx+b的gradient为正,由链式法则可知activation function对x的gradient应为正值.）2,使用Xavier的原因3，当模型太大时，cross valida
2017-10-11 10:35:51
176
原创 第四讲，网络应用（下）
4.1，P2P应用原理与文件分发具体应用如BitTorrent4.2，P2P应用：索引技术1，集中式索引，如Napster。存在单节点失效，性能瓶颈，版权问题的缺点。 2，洪泛式查询，完全分布式架构，依赖TCP连接，会给网络带来很大的负担。 3，层次式覆盖网络4.3，Socket编程-应用编程接口（API）1,socket介于应用层与传输层之间 2，应用编程接口API:就是应用进程的控制权和操
2017-10-05 20:58:21
352
原创 lecture4,backpropagation and nerual network
1，computational graphs,一系列简单的计算过程组成的一张图，易于求导(理论指导为链式法则)a,. feedward b,backward:前一个输入当作未知数求导，因为前一个输入包含着与未知数w的关系。即dydw=dydf(x).df(x)dx\frac{dy}{dw} = \frac{dy}{df(x)} .\frac{df(x)} {dx} ,f(x)视为前一个输入。
2017-10-05 11:13:13
154
原创 11章，关联容器
11.2,关联容器概述11.2.2关键字类型的要求用来阻止一个容器中元素的操作的类型也是容器类型的一部分：bool compareIsbn(const Sales_data &lhs,const Sales_data &rhs){ return lhs.isbn()<rhs.isbn;}multiset<Sales_data,decltype(compareIsbn)*>bookstor
2017-10-05 08:41:07
189
原创 第十一章关联容器
11.1，使用关联容器ex2???ex3，4string strip(string &str) { for (auto &ch : str) ch = tolower(ch); str.erase(remove_if(str.begin(), str.end(), ispunct), str.end()); return str;}map<string, int> cou
2017-10-04 23:29:09
144
原创 第三讲，应用层
3.1 网络应用的体系结构1，客户机/服务器结构 2，点对点结构，相比C/S结构优点是高度可伸缩，缺点是难于管理。 3，混合结构，如Napster(社交网络中出现过，hhhh)。文件传输使用P2P结构，文件搜索采用C/S结构3.2，网络应用进程通信1，不同主机上运行的进程通过消息交换，利用socket实现通信 2，通过IP地址+端口号完成进程寻址3.3，网络应用的需求与传输层服务1，网络应用的
2017-10-04 15:35:16
186
原创 lecture 3,Loss Function and Optimization
1，处理指数计算问题时，为了防止overflow 的处理方法（我还是存在疑问，这相当与求超级大的数的导数）：f = np.array([123, 456, 789]) # example with 3 classes and each having large scoresp = np.exp(f) / np.sum(np.exp(f)) # Bad: Numeric problem, poten
2017-10-04 10:06:12
157
原创 第二讲，计算机网络概述（下）
2.1，计算机网络性能1，网络的“带宽”通常是数字信道所能传送的“最高数据率”，单位： b/s (bps)2，四种分组延迟：节点处理延迟，时间通常很短。排队延迟传输延迟 （等于分组长度/链路带宽）传播延迟3，时延带宽积=传播时延*带宽，表示以比特为单位的链路长度。2.2，计算机网络体系结构即分层结构，该结构易于系统更新、 维护。 以OSI参考模型为例 1,物理层功能 决定一些物理特性
2017-10-03 09:33:56
178
转载 第三讲:进程线程模型
1，进程一个进程本质上就是一个正在执行的程序实例。1.2，创建子进程进程创建后，父进程和子进程有各自不同的地址空间。互相之间地址空间不可见。2，线程1.1，线程的使用1，使用多线程模型的原因 ： 单个应用程序可以分解成准并行的多个顺序线程，如word程序。因为线程可以共享同一地址空间和所有可用数据。线程更加轻量级2，阻塞系统调用与非阻塞系统调用的区别：阻塞调用是指调用结果
2017-10-02 21:25:07
181
原创 13章,拷贝控制
13.1，拷贝、赋值与销毁13.1A1：1，拷贝构造函数的定义： 一个构造函数的第一个参数是自身类型的引用，且任何额外参数都有默认值。2，出现场合： 用“=”定义变量， 将一个对象作为实参传递给一个非引用类型的形参， 从一个返回类型为非引用类型的函数返回一个对象， 花括号{} 初始化 A2 : 拷贝构造函数自己的参数必须是引用类型。 因为如果不是的话，在调
2017-09-27 17:48:47
180
原创 第二讲：操作系统运行环境
1、计算机硬件介绍1.1，处理器 堆栈指针：一种寄存器，指向内存当前栈的顶端cpu的两种模式：内核态、用户态。 当在内核态运行时，可以访问整个硬件。在用户态时有关IO和内存保护的所有指令时不可以使用的。用户程序必须使用 系统调用 陷入内核来调用操作系统已获得相应服务。注意 陷阱 并不是指令。1.2，内存1.3，磁盘 磁盘存在的问题是随机访问的时间大约比内存慢了三个数量级。因此产生了虚拟内存管理
2017-09-27 15:52:25
501
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人