研海无涯-CSDN博客

原创 Science Advance||个体动态脑中鲁棒的大脑状态

大量证据表明，脑功能连接不是静态的，而是动态的。捕捉个体脑的瞬时网络相互作用需要一种鲁棒的个体内可靠的技术。在这里，作者介绍了一种个体化的基于网络的动态分析技术，并证明它在检测个体脑状态方面具有可靠性。

2023-06-13 01:15:43 568

原创 PNAS| 绘制人脑发育曲线：横断面研究低估了人脑变化

作者使用广义加性模型（GAMLSS）框架（根据性别和研究地点分层）建立了以年龄为函数的常模参考范围，包括：i）基线时的全脑横断面灰质体积（GMV）、皮层厚度（CTh）、表面积（SA）和分数各向异性（FA）（图2A），以及ii）这四个表型的纵向测量年化变化速率（随访减去基线，除以扫描间隔）（图2B，蓝色曲线）。(缩写：灰质体积（GMV），皮层厚度（CTh），表面积（SA），分数各向异性（FA），Cross（横断面）)。图3A展示了所有个体和脑表型的预测（红线）和实测（灰线）的年龄相关轨迹。

2023-05-30 16:13:29 801

原创运行qsub 提交python程序 Ambiguous output redirect fault报错

文章目录运行Ridge_LOOCV_Permutation报错现象其它报错在Linux下创建一个可运行shell脚本Pycharm导入自定义的模块出现红色下划线Reference运行Ridge_LOOCV_Permutation为了成功运行Ridge_LOOCV_Permutation，发现了很多问题，Ridge_LOOCV_Permutation 官方GitHub：Ridge regression manual(Cui et al., 2018, Cerebral Cortex; Cui an

2022-03-16 22:55:07 1745

原创 linux无root权限下安装matlab2020b

matlab 无root权限安装

2022-03-09 22:02:03 3458 2

原创服务器Linux挖矿清除过程

发现过程ps命令查看该进程详情(xx代表进程编号PID)ps -ef | grep xx发现在/tmp/j, cd 到该目录下查看当前用户计划任务，因为挖矿病毒一般会定时启动crontab -l如果以上均为查到病毒进程脚本的存储位置，继续执行systemctl命令查看进程详情(xx代表进程名称)systemctl status xx systemctl status xx上shodan查一下IP地址ip 地址：139.99.124.170服务器上发现的连接到的是80端口，钟馗之

2022-03-04 14:24:21 1784

原创一般线性模型（general linear model，GLM）

文章目录广义线性模型与一般线性模型（前言）reference广义线性模型与一般线性模型（前言）广义线性模型(generalizedlinear models，GLM)是对普通线性回归的一种灵活的推广，它允许有误差分布模型且非正态分布的响应变量。广义线性模型通过允许线性模型通过连接函数（link function）与响应变量的相关以及允许每个测量的方差的大小作为其预测值的函数来推广线性回归。公式为：E(Y)=g−1(Xβ)E(Y)=g^{-1}(X\beta)E(Y)=g−1(Xβ)其中E(y)为

2021-09-01 09:33:21 17334

原创 MATLAB个人经验使用指南

参考文献：MATLAB常用快捷键总结

2021-07-27 10:28:08 1947

原创 Word如何快速打出公式

文章目录公式快捷编辑公式格式【用word快速输入公式】希腊字母名称和大小写PPT输入公式参考文献问题来源：最近使用Word在写Paper的过程中遇到公式快速编辑的问题，找到一个好的解决办法公式快捷编辑输入[ALT]+[=]，然后就可以打代码了，公式格式格式可以在这里看主要看下面网页的UnicodeMath editing examplesLinear format equations and Math AutoCorrect in Word【用word快速输入公式】希腊字母名称和

2021-07-21 17:23:40 1812

原创 horizontal sagittal and coronal planes （水平面，矢状面，冠状面）

水平面，矢状面，冠状面horizontal sagittal and coronal planes

2021-03-22 16:20:40 1033

原创第一讲构图和景别

构图

2021-03-05 14:40:23 1922

转载有哪些高效看文献的方法？

我读论文远比学生快，分析远比学生深入，主要的是我敢想象与猜测。方法一国立清华大学彭明辉教授的《研究生手册》问题硕士生开始学读期刊论文时，就容易犯的毛病就是戒除不掉大学部的习惯：1）老是想逐行读懂，有一行读不懂就受不了。2）不敢发挥自己的想象解决方法因此，每次读论文都一定要带着问题去读，每次读的时候都只是图回答你要回答的问题。因此，一定是选择性地阅读，一定要逐渐由粗而细地一层一层去了解。上面所规划的读论文的次序，就是由粗而细，每读完一轮，你对这问题的知识就增加一层。根据这一层知识就可以问出

2020-12-08 01:10:19 316

原创解读蒲慕明院士意义非凡的脑科学

脑科学脑科学一般问题与研究意义脑科学一般问题: 意识是怎么产生的？为什么人各有志？为什么有些人更聪明、记忆力好？为什么有些儿童有自闭倾向？为什么有些人患抑郁症？机器人怎样才能拥有人类的智慧和能力？人类社会未来如何与智能机器人共存？这些问题可以说与脑科学密切相关。脑科学研究意义: 脑科学研究不仅可以使我们理解认知、思维、意识和语言等脑功能原理，对人类认识自身有重大科学意义，还能够对各种脑功能神经基础进行解析，对有效诊断和治疗脑疾病有重要临床意义，脑科学所启发的类脑研究也可以推动新一代人工智能和新型信息

2020-11-22 19:14:19 531 1

原创 Neuron人脑功能连接体系结构中的个体差异

文章目录简介简介结果受试者之间的连通性差异在大脑网络中分布不均功能连接性的变化与进化皮质表面扩展高度相关功能连接性可变性与大脑折叠模式相关，但与皮质厚度无关功能可变性与远程连接的程度呈正相关，但与局部连接性呈负相关预测认知和行为领域中个体差异的区域主要位于功能连通性高的区域排除潜在的混杂因素简介人们彼此之间在思维或行为上有所不同的事实源于大脑解剖结构和连通性的个体差异。在这里，我们使用重复测量的静息态功能MRI探索受试者之间的连通性差异性。功能连通性的个体差异在整个皮质中是异质的，异峰联合皮质的差异性明

2020-09-18 16:33:59 1635

转载 Module 16 一般线性模型在fMRI上的应用

文章目录核心概念一般线性模型概述GLM建模分析流程概览fMRI中的回归分析第一级GLM：单一体素，单一对象核心概念一般线性模型概述GLM:一般线性模型。它的核心思想是把数据看作是**模型函数（预测因子,predictor）和噪声（误差,error）**的线性结合。用线性代数的知识，我们可以将GLM表述为下面的形式：图1.GLM的数学形式用矩阵形式写为：Y=Xβ+εY = X\beta + \varepsilonY=Xβ+ε,其中 XXX为设计矩阵，Y,β,εY , \beta,\varepsil

2020-09-17 17:06:49 2601 1

原创 Cerebal Cortex 基于弥散核磁共振成像的个体化皮层分区

文章目录摘要介绍方法结果基于连接的个体化分区个体化水平分区生成匀质性特性连接区域摘要皮层区域的空间拓扑特性因个体而不同。在个体中基于连接的功能和解剖皮层映射将促进结构与功能关系的研究。然而，与基于功能连通性的那些相比，从解剖学连通性得出的特定于个体的皮层拓扑属性的研究较少。我们旨在开发一种新颖的基于个性化解剖学连接的分区框架，并使用扩散磁共振成像（dMRI）技术来研究皮质区域空间地形特征的个体差异。使用高质量的，重复-session的 dMRI数据集（42个被试，每个被试2个sessions），通过基于

2020-09-10 22:04:07 792

原创利用一根网线实现新电脑一键迁移文件和软件

文章目录问题方法Win10下用网线在两台电脑之间高效传输文件数据第一步设置电脑ip第二步，利用PING命令测试两台电脑是否连通360手机助手实现文件迁移参考文献问题最近来到了一个新的实验室，实验室新分配了一台电脑，于是想要把笔记本上的东西复制到新电脑上，有了如下解决办法~基础设施：win10，一根网线，360迁移助手方法Win10下用网线在两台电脑之间高效传输文件数据第一步设置电脑ip按下快捷键“Win+I”,打开Windows设置，点击网络和Internet，打开网络和共享中心点击以太

2020-09-10 11:35:23 3888

原创 keras 开发文档 6：从头开始编写训练循环（Writing a training loop from scratch）

设置import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layersimport numpy as np介绍Keras提供了默认的训练和评估循环，fit（）和valuate（）。用内置方法进行训练与评估指南中介绍了它们的用法。如果您想自定义模型的学习算法，同时又利用fit（）的便利性（例如，使用fit（）训练GAN），则可以继承Model类并实现自己的train_step（）方法，

2020-07-15 22:20:13 929

原创 keras 开发文档 5：自定义fit（）中发生的事情（Customizing what happens in fit()）

文章目录介绍设置第一个简单的例子进入lower-level支持sample_weight和class_weight提供您自己的评估步骤总结：端到端GAN示例参考引用介绍当您进行监督学习时，可以使用fit（），一切都会顺利进行。当您需要从头开始编写自己的训练循环时，可以使用GradientTape并控制每个小细节。但是，如果您需要自定义训练算法，又想从fit（）的便捷功能中受益，例如回调，内置分发支持或分步融合，该怎么办？Keras的核心原则是逐步揭示复杂性。您应该始终能够逐步进入较低级别的工作流程

2020-07-15 22:01:15 803

原创 keras开发文档 4：内置方法的训练和评估

文章目录设置介绍API概述：第一个端到端示例compile（）方法：指定损失，指标和优化器( loss, metrics, and an optimizer)提供许多内置的优化器，损失和指标自定义损失自定义指标处理不符合标准签名的损失和指标自动区分验证保留集来自tf.data数据集的训练和评估使用验证数据集支持其他输入格式使用keras.utils.Sequence对象作为输入使用样本加权和类别加权Class权重Sample 权重将数据传递到多输入，多输出模型使用回调许多内置的回调可用编写自己的回调检查点模

2020-07-15 21:43:15 909

原创 keras 开发文档 3：通过子类化制作新的图层和模型

文章目录设置Layer类：状态（权重）和一些计算的组合图层可以具有不可训练的权重最佳实践：将权重创建推迟到知道输入的形状为止层可递归组合add_loss（）方法add_metric（）方法您可以选择在图层上启用序列化call（）方法中的特权 training 参数call（）方法中的特权mask参数模型类放在一起：端到端的例子超越面向对象的开发：Functional API参考文献设置import tensorflow as tffrom tensorflow import kerasLayer类

2020-07-15 19:54:42 519

原创 keras 开发文档 2：顺序模型（The Sequential model）

设置import tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers何时使用顺序模型顺序模型适用于简单的层堆栈，其中每一层正好具有一个输入张量和一个输出张量。从原理上讲，以下顺序模型：# Define Sequential model with 3 layersmodel = keras.Sequential( [ layers.Dense(2, activa

2020-07-15 16:53:57 950

原创 keras 开发者文档1：功能API

文章目录设置介绍设置import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers介绍Keras功能API是一种创建模型的方法，该模型比tf.keras.Sequential API更灵活。功能性API可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。深度学习模型通常是层的有向无环图（DAG）的主要思想。因此，功能性

2020-07-15 16:14:36 799

原创 keras 开发者文档 12：迁移学习和微调（Transfer learning & fine-tuning）

文章目录设置介绍冻结层：了解可训练的属性示例：BatchNormalization图层具有2个可训练的权重和2个不可训练的权重例子: 设置trainable 为 False可训练属性的递归设置例子：典型的迁移学习工作流程微调关于compile（）和可训练的重要说明有关BatchNormalization层的重要说明通过自定义训练循环进行学习和微调端到端示例：微调猫和狗的图像分类模型获取数据标准化数据使用随机数据扩充建立模型训练顶层对整个模型进行一轮微调设置import numpy as npimpor

2020-07-15 11:53:43 1748

原创 keras开发者文档 11：多GPU和分布式训练

介绍通常，有两种方法可以在多个设备之间分配计算：数据并行性，其中一个模型可以在多个设备或多台机器上复制。它们每个处理不同批次的数据，然后合并结果。此设置存在许多变体，不同的模型副本合并结果的方式不同，它们是否在每个批次中保持同步，或者它们是否松散耦合等等。模型并行性，其中单个模型的不同部分在不同的设备上运行，一起处理一批数据。这最适合具有自然并行架构的模型，例如具有多个分支的模型。本指南重点介绍数据并行性，尤其是同步数据并行性，在该模型中，模型的不同副本在每次处理批次后均保持同步。同步性使模型收敛行

2020-07-15 10:57:54 879

原创 keras开发者文档 10：理解 masking & padding

文章目录设置介绍Padding 序列数据MaskingMask生成层：Embedding和Masking功能API和顺序API中的掩码传播将mask 张量直接传递到图层在您的自定义图层中支持masking选择mask 兼容层上的传播编写需要mask 信息的图层总结参考文献设置import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layers介绍Maski

2020-07-15 09:59:16 2023 1

原创 keras开发者文档 9：使用RNN

文章目录介绍设置内置RNN层：一个简单的例子输出和状态介绍递归神经网络（RNN）是一类对于建模序列数据（例如时间序列或自然语言）非常有力的神经网络。从概念上讲，RNN层使用for循环在序列的时间步上进行迭代，同时保持内部状态，该状态对迄今为止已看到的时间步的信息进行编码。Keras RNN API的设计重点是：易于使用：内置的keras.layers.RNN，keras.layers.LSTM，keras.layers.GRU图层使您能够快速构建循环模型，而不必进行困难的配置选择。易于定制：您

2020-07-15 09:20:10 1334

原创 keras开发者文档 8：编写自己的回调（Writing your own callbacks）

文章目录介绍设置Keras 回调概览回调方法概述全局方法批级的训练/测试/预测方法Epoch-level methods (training only)一个基本的例子logs字典的用法self.model属性的用法Keras回调应用程序示例以最小的损失Early stopping学习率安排内置Keras回调参考文献介绍回调是一种强大的工具，可以在训练，评估或推理期间自定义Keras模型的行为。示例包括tf.keras.callbacks.TensorBoard通过TensorBoard可视化训练进度和

2020-07-10 10:18:33 246

空空如也

空空如也