1.概述最近有时间，跑了一下UNet模型，因为自己的深度学习基础不扎实，导致用了一些时间。目前只停留在使用和理解别人模型的基础上，对于优化模型的相关方法还有待学习。 众所周知，UNent是进行语义分割的知名模型，它的U形结构很多人也都见过，但是如果自己没有亲自试过的话，也就只知道它的U形结构，其实里面还是有很多学问的，下面就把自己学习时候的一些理解写一下。 最后会拿个完整代码作为例子（实际上自己练
转载
2023-12-04 15:37:19
257阅读
在处理多分类问题的时候会用到一个叫做softmax的分类器，是用来将输出结果划归到[0,1]的，本讲将主要从softmax分类器入手来实现多分类问题。在前一章我们对糖尿病模型进行了二分类，二分类问题中只需要输出一个概率，另外的一个概率通过用1来减即可获得。但多分类需要输出多个概率。本次我们采用MNIST手写数字数据集，首先我们来看一下如果有十个分类那他们的输出该是什么样的。若有十个分类，那这10个
转载
2023-10-11 15:13:23
322阅读
1评论
1 数据集加载pytorch中数据集加载相关的类主要有 DateSet 和 DateLoader；数据集加载我打算分两个系列来写：基础版和升级版。基础版的数据加载，数据是现成的，不需要自己写程序进行额外处理，直接调用已有函数即可；升级版本中，涉及到了自己制作数据集的情况，有时候还需要自己实现dataset 类， 主要实现三个函数 __init__, __len__, __getitem
转载
2023-11-23 15:56:56
99阅读
基于Unet的医疗影像分割简单复现Unet网络，用来练习pytorch， U-net结构（最低分辨率下32x32像素的例子）如下图所示。每个蓝框对应于一个多通道特征图。通道的数量表示在盒子的顶部。X-Y尺寸在盒子的左下角提供。白色方框代表复制的特征图。箭头表示不同的操作。 其中，蓝/白框表示feature map；蓝色剪头表示3x3 卷积，用于特征提取；灰色箭头表示skip-connecti
转载
2024-08-17 13:34:45
112阅读
多分类问题Softmax二分类问题给定一系列特征，输出为0或1，表示是否满足某个条件。具体做法是输出一个概率，表示给定特征满足这个条件的概率，或者不满足这个条件的概率。多分类问题给定一系列特征，预测是多个类别中的哪一类，比如手写数组识别、物体识别等。如果在多分类问题中仍采用二分类问题的解决方法，即输出可能属于每个类别的概率，会出现的问题有输出的概率可能为负数所有类别概率之和不为1，即不是一个分布提
转载
2023-08-17 16:37:44
212阅读
目录Unet++网络Dense connectiondeep supervision模型复现Unet++数据集准备模型训练训练结果Unet++：《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》作者对Unet和Unet++的理解：研习U-Net 延续前文：语义分割系列2-Unet（pytorch实现）本
转载
2023-11-19 14:31:38
240阅读
专栏目录： 本文 +pytorch快速入门与实战——一、知识准备（要素简介）pytorch快速入门与实战——二、深度学习经典网络发展pytorch快速入门与实战——三、Unet实现pytorch快速入门与实战——四、网络训练与测试注意：教程模块间独立性较高，任何地方均可跳跃性阅读，别管是不同文章之间，还是文章的不同模块。 怎么开心怎么来。反正都是从“这都是啥”到”呵呵就这“ 部分列举的不详细是因为
转载
2024-02-29 11:25:50
55阅读
之前给大家写过好几篇很详细的临床预测模型的原理解析，本文接着之前的文章，继续写做法，首先依然是找到一篇参照论文，今天我们的示例文章是一篇来自美国心脏学会杂志的文章：Zhang X, Yuan K, Wang H, Gong P, Jiang T, Xie Y, Sheng L, Liu D, Liu X, Xu G. Nomogram to Predict Mortality of Endovas
转载
2024-03-21 09:31:58
29阅读
pytorch实现时频图多分类1.数据集导入2.网络层模块定义3.开始训练并输出训练集准确率及损失4.测试验证集准确率及损失5.将最后训练好的模型保存下来6.测试模型准确度如何将整个训练过程放在GPU上确定终端GPU可用确定训练过程是在GPU上进行1.通过任务管理器2. 在命令行中输入nvidia-smi -l n 1.数据集导入import torch
import torch.nn as n
转载
2023-08-11 12:58:25
252阅读
目录一、torch和torchvision1、torchvision.datasets2、torchvision.models3、torchvision.transforms4、torchvision.utils二、MNIST手写数字识别1、获取MNIST训练集和测试集2、数据装载3、数据预览4、构建卷积神经网络模型5、对模型进行训练和参数优化6、对训练模型进行保存和加载7、MNIST手写数字识别
转载
2023-09-08 19:01:38
108阅读
根据《统计学习方法》第四章朴素贝叶斯算法流程写成，引入贝叶斯估计（平滑处理)。本例旨在疏通算法流程，理解算法思想，故简化复杂度，只考虑离散型数据集。如果要处理连续型数据，可以考虑将利用“桶”把连续型数据转换成离散型，或者假设连续型数据服从某分布，计算其概率密度来代替贝叶斯估计。《机器学习实战》的朴素贝叶斯算法，是针对文本处理（垃圾邮件过滤）的算法，是二元分类（y=0或y=1），且特征的取值也是二元
转载
2024-07-08 10:17:21
68阅读
文章目录1 一些细碎代码1.1 Cross Entropy1.2 Mini-batch: batch_size=32 示例3 作业任务描述查看数据进行建模提交Kaggle总结 1 一些细碎代码1.1 Cross Entropy一个样本的交叉熵，使用numpy实现：import numpy as np
y = np.array([1, 0, 0]) # one-hot编码，该样本属于第一类
z
转载
2024-08-05 21:20:29
107阅读
第9讲：多分类问题（上）用softmax 解决多分类问题用pytorch 实现多分类问题1.softmaxsoftmax:让线形层的输出结果（进行softmax前的input）有负数，通过幂指变换，得到正数。所有类的概率求和为1。2.softmax如何做到上面的操作：对每一L层的输出进行幂指运算，使其>0所有K个分类的输出幂指再求和，结果=1计算各分类的分布example:输入向量的每个元素
转载
2023-07-05 14:00:16
291阅读
Pytorch 搭建自己的Unet语义分割平台 文章目录Pytorch 搭建自己的Unet语义分割平台unet模型1.主干特征提取2.加强特征提取3.特征预测4.各层卷积输出5.总结 unet模型1.主干特征提取Unet是一个优秀的语义分割模型，其主要执行过程与其它语义分割模型类似。Unet可以分为三个部分，如下图所示：第一部分是主干特征提取部分，我们可以利用主干部分获得一个又一个的特征层，Une
转载
2024-04-11 18:35:39
353阅读
pytorch入门3.0构建分类模型再体验（准备数据）pytorch入门3.1构建分类模型再体验（模型和训练）pytorch入门3.2构建分类模型再体验（批处理）
在分类模型中，我们使用的神经网络模型其实跟回归模型中的差不多，但是这里我们输入的是两个数（数值对），输出也是两个数，分类0或者分类1的概率。在最终输出的时候我们使用了softmax函数对输出进行概率化表示，就是使得分类0和分类1的概率之
转载
2024-02-20 17:20:31
66阅读
文章目录0 写在前面1 softmax函数2 数据预处理2.1 scatter（）函数的cmap属性3 激活函数4 模型搭建5 完整代码6 输出分析6.1 目标6.2 运行过程7 总结 0 写在前面二分类问题是多分类问题的一种特殊情况，区别在于多分类用softmax代替sigmoid函数。softmax函数将所有分类的分数值转化为概率，且各概率的和为1。1 softmax函数softmax函数首
转载
2023-10-04 07:59:38
145阅读
最近由于项目需要做了一段时间的语义分割，希望能将自己的心路历程记录下来，以提供给所需帮助的人 接下来我将依托Unet语义分割网络介绍以下内容：首先我的环境配置 pytorch1.10 win10 vs2017 python3.6 opencv3.4 Aaconda-5.2.0一、使用pytorch实现简单的unet分割网络二、使用Unet做多类别分割三、c++调用python执行语义分割四、c++
转载
2023-11-29 20:23:43
177阅读
文章目录推荐阅读前言混淆矩阵简介二分类混淆矩阵一级指标二级指标准确率（Accuracy）精确率（Precision）召回率（Recall）特异度（Specificity）三级指标（F-score）F1-score多分类混淆矩阵准确率（Accuracy）精确率（Precision）召回率（Recall）特异度（Specificity）F1-score示例与代码实现step1：统计混淆矩阵step2
转载
2024-01-25 19:44:18
180阅读
Unet的一些概念Unet 的初衷：是为了解决生物医学图像方面的问题，最初也是在细胞数据集上使用的，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，比如卫星图像分割，工业瑕疵检测等。Unet 的优势：1，可以在小数据集上达到较好的效果。以往的网络模型依赖于大量的数据集进行训练，但是在医学图像的分割中，往往能够训练的数据相对较小而检测目标又会比较大，在unet网络中使用了数据增强；2，可以对
转载
2024-04-24 16:11:29
66阅读
一、dropout层的注意事项不要在卷积层加dropout，会导致特征提取失败、模型收敛失败。残差块一般使用batch normalization防止过拟合，droput和bn不要用在一起，会导致方差偏移。dropout一般加在全连接层fc(线性层)后面。在输入层后加dropout，相当于数据扩增。二、分类的注意事项分类的target从0开始，如果是三分类，target为0、1、2。三、分类训练网
转载
2023-09-26 22:29:09
124阅读
