gylph的博客

转载 特征选择

转发：https://blog.csdn.net/hren_ron/article/details/80914491感谢博主分享主要内容：为什么要进行特征选择？ 什么是特征选择？ 怎么进行特征选择特征选择：在现实生活中，一个对象往往具有很多属性（以下称为特征），这些特征大致可以被分成三种主要的类型：相关特征：对于学习任务（例如分类问题）有帮助，可以提升学习算法的效果； 无关特征：对于我们的算法没有任何帮助，不会给算法的效果带来任何提升； 冗余特征：不会对我们...

原创 map , filter , reduce ，zip

简单使用map , filter , reduce ，zip请参照：https://www.bilibili.com/read/cv1517879如需进阶 lambda 请参考此链接第一条7篇https://www.zhihu.com/question/21936396/answer/121880616写代码之前请一定考虑好 输入输出 类型和语义此博客记录一些组合操作：...

原创 影像组学pyradiomic使用教程 （内含各种报错及详细解决方案）

1.安装gitclonegit://github.com/Radiomics/pyradiomicscd pyradiomicspython -m pip install -r requirements.txtpythonsetup.pyinstall(安装完成，打开python，import radiomics，如果不报错，则表示安装成功)...

原创 论文写作工具 : Texlive + TeXstudio (2019最新版)

1.下载texlive镜像推荐使用清华源 （超级无敌非常快） 下载 texlive2019.ioshttps://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/texlive/Images/https://mirrors.tuna.tsinghua.edu.cn/CTAN/systems/texlive/Images/2.安装t...

原创 DICOM 读取

病例数据结构1. 通过读取DICOMDIR 获取 病人切片路径 参考：https://pydicom.github.io/pydicom/stable/auto_examples/input_output/plot_read_dicom_directory.html?highlight=dicomdir 切片路径 + 读取dicom + 换成pixel_array...

转载 csv处理

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 ...

原创 windows 下一些小技巧

原创 3D Slicer 把dicom数据转换成numpy

1. 先打开数据找到需要的数据所在文件夹 ，importim[ort成功后，会提示：load 数据2. 找到load数据对应信息3. 写代码在对应下方命令行输入import numpy as npx = array('4: Recon 3: 5mm/10mm') # 引号内为2找到的当前文件信息np.save('test.npy',x) ...

原创 pytorch / tensorflow 安装常用库

No module named 'neuralgym': pip install git+https://github.com/JiahuiYu/neuralgym ( linux 加载github code) No module named 'cv2' :pip install opencv-python No module named 'yaml' : pip install py...

原创 常用linux命令

1. 创建文件夹 mkdir xxx(文件夹名字）2. 删除文件夹 rm -rf xxx(文件夹名字)3. ls : 列出当前文件夹下文件 cd xxx ：进入某文件 cd .. : 退出进去上一级路径4. 下载GitHub代码 git clone xxxx.git(复制链接) ...

原创 多人使用服务器，如何开个人账户？以及 个人账户如何操作服务器？

多人使用服务器时，由于实验环境不一样，为了避免冲突，所以使用个人账户个人账户彼此不会影响，互相独立。需要在个人账户下重新配置所有环境（anaconda, pytorch,...）1.多人使用服务器，如何开个人账户？服务器 linux 版本最好是16.04.1 装CUDA比较稳定管理员需在服务器装 cuda cudnn ssh开账户：管理员在home文件夹下 : ...

原创 Pycharm远程连接服务器（windows下远程修改服务器代码）

永久激活 参考：https://www.jianshu.com/p/7e31bf8dbdb4Pycharm连接远程服务器1、写在前面远程连接pycharm，直接在windows下pycharm里修改再保存就可以实现同步更新到服务器里的代码里了。2、content打开pycham，windows下连接服务器端如图所示：（1）配置连接服务器，connection...

转载 管理anaconda虚拟环境 (含 jupyter 如何配置虚拟环境)

管理anaconda虚拟环境转：http://blog.csdn.net/lyy14011305/article/details/595008191、首先在所在系统中安装Anaconda。可以打开命令行输入conda -V检验是否安装以及当前conda的版本。2、conda常用的命令。1）conda list 查看安装了哪些包。2）conda env list...

原创 12.SSD 论文总结

SSD : YOLO 的改进，性能基本和 Faster RCNN 持平主要思路就是Faster R-CNN + YOLO，利用YOLO的思路 和 Faster R-CNN的anchor box的思想。关键：use of multi-scale convolutional bounding box outputs attached to multiple feature maps at th...

原创 11.YOLO 论文总结

YOLO 物体检测  （ learns general representations of objects ）是 RCNN 路线之外的另一种方向。速度更快但准确性略低。功能 ：直接从image pixels 到 边界框坐标 和 类概率 。you only look once (YOLO) at an image 预测 目标有什么、在哪儿。思想：把目标检测当作 一个空间分隔的边界框...

原创 10.Faster R-CNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks在 Fast RCNN 基础上进一步优化。region-based detectors（Fast R-CNN） 使用的卷积特征图, 也可以被用来生成 region proposalsRPN同时预测目标边界和目标在每个位置的得分，...

原创 9.Fast R-CNN

检测的主要问题：处理候选框的定位问题；候选框提供的位置需要进一步精确。 提出：单阶段训练算法联合训练 classify object proposals 和 refine their spatial locations. 解决了之前 RCNN 和 SPP-Net 的 multi-stage pipelines （ slow and inelegant ）输入是224*224，经过...

原创 8.SPP-net 论文总结

**Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition**1.SPP-net 是在 Rcnn 上的改进，速度大幅度提升。在目标检测中，Rcnn 用 region proposals 解决 cnn 定位问题。但是在使用神经网络提取候选框的特征时，每张图片需要重复应用神经网络大约2000...

原创 7.Rcnn 论文总结

神经网络的研究分为两种：1.研究修改网络结构（层的数量，层与层之间的关系等）。最终目标：准确率高，结构稀疏（Alexnet , vggnet , goolenet , resnet …）2.研究网络的应用：分类、检测、分割分类：结果是或不是检测：框出物体分割：分出物体准确轮廓之前博客中介绍了神经网络的结构研究，接下来将介绍网络的应用（检测）。RCNN : 基于CNN物体检测的开山之...

原创 6.deep compression 论文总结

1.背景：问题：深度网络 计算和内存密集（大存储开销，能量消耗），很难部署到硬件资源有限的嵌入式系统/移动系统解决方案：通过 pruning, trained quantization and Huffman coding 压缩模型，不影响正确率2.介绍pruning：学习重要的connections，去除冗余连接.（1）过程：输入：原始网络第一步：通过正常的网络训练学习连接第...

原创 5.ResNet 论文总结

1.背景网络的 depth 很重要

原创 4.GoogLeNet 论文总结

1. inception为了找到最优的稀疏结构单元，提出 inception 结构：inception：将不同的卷积层并联到一起，提取多尺度信息，多分辨率融合不同大小卷积核学习，相当于融合不同分辨率（大小目标 大小卷积核）/ （远近目标 大小卷积核 ）改进了网络内部计算资源利用率内存影响，建议在用在网络后面层，前几次正常cnn结构。2.Googlenet（1）结构：有9个...

原创 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks 总结

1.AbstractImage-to-image translation training set of aligned image pairsHowever ，paired training data will not be availableOur goal：G : X --> Y

原创 Image-to-Image Translation with Conditional Adversarial Networks 总结

cGAN：Conditional GAN — 在生成模型G和判别模型D中都加入条件信息来引导模型的训练a general-purpose solution to image-to-image translation problemslearn the mapping from input image to output imagelearn a loss function to...

原创 3.VGG 论文总结

1. VGG：AlexNet的加强版（depth on its accuracy）结构对比（卷积层 --> 卷积群）2.实验中VGG卷积层深度设置如上图所示：红色箭头 表示 : 每个网络的结构设计（11层 -> 19层） (11层 : 8 conv. and 3 FC layers)蓝色圈圈 表示 : 网络之间 卷积群深度增加 对比3.补充3 个 3 *...

原创 2.Network in Networks 论文总结

目的：改进CNN，可以学习到更加抽象和有效的非线性特征常规卷积层： conv→reluconv： conv_out=∑(x·w)relu： y=max(0， conv_out)maxout： several conv(full)→maxmaxout：一种激活函数形式several conv (full): conv_out1 = x·w_1, conv_out2 = x·w...

原创 1. AlexNet 论文总结

1.网络结构：imputConv - RNL - Maxpooling - ReLUConv - RNL - Maxpooling - ReLUConv - ReLUConv - ReLUConv - Maxpooling - ReLUfullyConnected - ReLUfullyConnected - ReLUfullyConnected - ReLU100-way-...

原创 Linux + pytorch 安装环境

更新pip : python -m pip install --upgrade pip-i https://pypi.tuna.tsinghua.edu.cn/simplemkdir ~/.pipvim ~/.pip/pip.conf[global]index-url = http://mirrors.aliyun.com/pypi/simple/[install]tr...

原创 cs231n assignment7 CNN

原创 cs231n assignment6 Fully-Connected Neural Nets

cs231n assignment6 Fully-Connected Neural Nets2018.9.10在实验室师兄带领下，以及实验室partner帮助下开始做cs231n的课后作业。截至2018.10.26日写完了cnn。期间能顺利完成作业离不开网上各种博客的分享。所以也写下我作业的思路，供大家参考学习，有写的不对的地方还请大家多多指教。全连接作业主要有以下几个部分：（交叉部分cnn码...