- 博客(759)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Slicer学习笔记（六十五） 3DSlicer的医学图像数据增强扩展模块
基于3D Slicer5.1.0 编写了一个测试医学图像的数据增强测试扩展模块。扩展模块名：DataAugementation下载该项目后，可以将该扩展模块添加到3D Slicer的扩展中。关于如何给3DSlicer 添加扩展可以看我前面的博客。
2024-03-02 22:36:30
346
原创 python读写yaml
YAML，Yet Another Markup Language的简写，通常用来编写项目配置，也可用于数据存储，相比conf等配置文件要更简洁。
2023-06-08 20:21:26
1337
原创 yolov8 模型部署
YOLOv8的3个检测头一共有80x80+40x40+20x20=8400个输出单元格，每个单元格包含x,y,w,h这4项再加80个类别的置信度总共84项内容，所以通过上面命令导出的onnx模型的输出维度为1x84x8400。这样的通道排列顺序有个问题，那就是后处理的时候会造成内存访问不连续。修改代码后需要执行前面的安装命令pip install -e '.[dev]'使代码生效。这样修改后再执行上面的模型导出命令，模型的输出维度变为1x8400x84。
2023-05-13 23:42:46
1366
原创 Protobuf简介
Protocol Buffers是谷歌用于序列化结构化数据的与语言无关、与平台无关的可扩展机制——想想XML，但它更小、更快、更简单。您只需一次定义数据的结构方式，然后就可以使用特殊的生成源代码，使用各种语言轻松地在各种数据流之间读写结构化数据。要创建地址簿应用程序，需要从.proto文件开始。.proto文件中的定义很简单:为想要序列化的每个数据结构添加一条消息，然后为消息中的每个字段指定一个名称和类型。这里是定义你的消息的.proto文件，addressbook.proto。
2023-03-04 17:27:10
805
原创 VTK学习笔记（四十）vtk提取单层数据
VTK实现单层图片的提取方法有很多，可以使用的filter有很多。提取中心层片 y轴切片。提取中心层片，z轴切片。提取中心层片，x轴切片。
2023-02-20 22:20:38
665
原创 C++中vector的使用
(a,b)函数，可返回向量[a,b]区间内的最大元素的地址。做 * 后可得到相应的元素值。当需要得到某一区间内的最大值时。迭代器，输出为单一元素迭代器。使用vector中的。
2023-02-15 11:01:36
193
原创 动手深度学习笔记（四十八）8.4. 循环神经网络
虽然这个模型可能没有很准确地反映出后续词的语义， 比如，“It is raining in San Francisco”（旧金山下雨了） 和“It is raining in winter”（冬天下雨了） 可能才是更完美的合理扩展， 但该模型已经能够捕捉到跟在后面的是哪类单词。我们可以通过计算序列的似然概率来度量模型的质量。如上所述，隐藏层是在从输入到输出的路径上（以观测角度来理解）的隐藏的层， 而隐状态则是在给定步骤所做的任何事情（以技术角度来定义）的输入， 并且这些状态只能通过先前时间步的数据来计算。
2023-02-12 16:03:33
438
原创 动手深度学习笔记（四十七）8.3. 语言模型和数据集
同样，在文档摘要生成算法中， “狗咬人”比“人咬狗”出现的频率要高得多， 或者“我想吃奶奶”是一个相当匪夷所思的语句， 而“我想吃，奶奶”则要正常得多。与猴子使用打字机完全不同的是，从这样的模型中提取的文本 都将作为自然语言（例如，英语文本）来传递。只需要基于前面的对话片断中的文本， 就足以生成一个有意义的对话。显然，我们离设计出这样的系统还很遥远， 因为它需要“理解”文本，而不仅仅是生成语法合理的内容。中， 我们了解了如何将文本数据映射为词元， 以及将这些词元可以视为一系列离散的观测，例如单词或字符。
2023-02-09 23:11:01
310
原创 动手深度学习笔记（四十六）8.2. 文本预处理
我们先将训练集中的所有文档合并在一起，对它们的唯一词元进行统计， 得到的统计结果称之为语料（corpus）。下面的tokenize函数将文本行列表（lines）作为输入， 列表中的每个元素是一个文本序列（如一条文本行）。最后，返回一个由词元列表组成的列表，其中的每个词元都是一个字符串（string）。文本: [‘twinkled’, ‘and’, ‘his’, ‘usually’, ‘pale’, ‘face’, ‘was’, ‘flushed’, ‘and’, ‘animated’, ‘the’]
2023-02-09 23:01:51
284
1
原创 动手深度学习笔记（四十五）8.1. 序列模型
这样的假设是合理的，因为新的动力学一定受新的数据影响， 而我们不可能用目前所掌握的数据来预测新的动力学。也就是说，输入数据的数量这个数字将会随着我们遇到的数据量的增加而增加， 因此需要一个近似方法来使这个计算变得容易处理。注意，如果我们处理的是离散的对象（如单词）， 而不是连续的数字，则上述的考虑仍然有效。仅是离散值时，这样的模型特别棒， 因为在这种情况下，使用动态规划可以沿着马尔可夫链精确地计算结果。当然，序列数据不仅仅是关于电影评分的。当下获得的最直接的好处就是参数的数量总是不变的， 至少在。
2023-02-07 22:47:29
218
原创 动手深度学习笔记（四十四）8. 循环神经网络
最重要的是，到目前为止我们默认数据都来自于某种分布， 并且所有样本都是独立同分布的 （independently and identically distributed，i.i.d.）。然而，大多数的数据并非如此。例如，文章中的单词是按顺序写的，如果顺序被随机地重排，就很难理解文章原始的意思。同样，视频中的图像帧、对话中的音频信号以及网站上的浏览行为都是有顺序的。换句话说，如果我们拥有一张图像，我们需要有效地利用其像素位置， 假若我们对图像中的像素位置进行重排，就会对图像中内容的推断造成极大的困难。
2023-02-07 21:29:23
389
原创 动手深度学习笔记（四十三）7.7. 稠密连接网络（DenseNet）
ResNet极大地改变了如何参数化深层网络中函数的观点。稠密连接网络（DenseNet） (Huang et al., 2017)在某种程度上是ResNet的逻辑扩展。让我们先从数学上了解一下。回想一下任意函数的泰勒展开式（Taylor expansion），它把这个函数分解成越来越高阶的项。分解为两部分：一个简单的线性项和一个复杂的非线性项。那么再向前拓展一步，如果我们想将。拓展成超过两部分的信息呢？一种方案便是DenseNet。同样，ResNet将函数展开为。也就是说，ResNet将。
2023-02-06 22:47:31
173
原创 动手深度学习笔记（四十二）7.6. 残差网络（ResNet）
事实上，可能更糟： 如 图7.6.1所示，对于非嵌套函数（non-nested function）类，较复杂的函数类并不总是向“真”函数靠拢（复杂度由向递增）。在 图7.6.1的左边，虽然比更接近，但却离的更远了。随着我们设计越来越深的网络，深刻理解“新添加的层如何提升神经网络的性能”变得至关重要。更重要的是设计网络的能力，在这种网络中，添加层会使网络更具表现力， 为了取得质的突破，我们需要一些数学基础知识。，那我们可以轻而易举的训练得到它，但通常我们不会那么幸运。是我们真正想要找到的函数，如果是。
2023-02-01 23:48:41
203
原创 OBB的计算python实现
OBB的经典生成算法：使用PCA（主成分分析）。主成分分析有一个关键的线性代数计算步骤，即求解协方差矩阵的特征值和特征向量，这一点必须使用数值分析算法而不能用解题用的基本行变换手段，因为现代程序最大的特点就是干一些枯燥重复的事情——迭代.在这里主要介绍三维的思路，黑盒模型：obb的参数（中心点、三轴向量、三轴半长，以确定一个空间中的矩形）= f（点集）
2023-01-31 10:58:24
1945
1
原创 一些加速库Blas OpenMP等
整个CUDA平台是通过运用显卡内的流处理器进行数学运算，并通过GPU内部的缓存共享数据，流处理器之间甚至可以互相通信，同时对数据的存储也不再约束于以GPU的纹理方式，存取更加灵活，可以充分利用统一架构的流输出(stream out)特性，大大提高应用效率。不同类型的代码由于其运行的物理位置不同，能够访问到的资源不同，因此对应的运行期组件也分为公共组件、宿主组件和设备组件三个部分，基本上囊括了所有在GPGPU开发中所需要的功能和能够使用到的资源接口，开发人员可以通过运行期环境的编程接口实现各种类型的计算。
2023-01-04 22:30:00
308
3
原创 动手深度学习笔记（四十一）7.5. 批量规范化
当我们训练时，中间层中的变量（例如，多层感知机中的仿射变换输出）可能具有更广的变化范围：不论是沿着从输入到输出的层，跨同一层中的单元，或是随着时间的推移，模型参数的随着训练更新变幻莫测。直观地说，我们可能会猜想，如果一个层的可变值是另一层的100倍，这可能需要对学习率进行补偿调整。所以，只有使用足够大的小批量，批量规范化这种方法才是有效且稳定的。批量规范化应用于单个可选层（也可以应用到所有层），其原理如下：在每次训练迭代中，我们首先规范化输入，即通过减去其均值并除以其标准差，其中两者均基于当前小批量处理。
2022-12-28 23:24:09
382
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人