丹青两幻

nnUnet1.预处理1.1 CropCrop:裁剪去除图片的0区域，使用非0区域作为训练数据，对MRI数据能够显著降低其大小。 1.2 ResampleResample:CNN无法理解体素间距的概念，重采样使得数据集体素间距一致（使像素间所对应的真实的物理距离一致）。 注：在医学图像中要关注图像的物理距离，这关系到器官的大小。 2.训练2.1 Patch-Sampling:Patch-Training:对不同的图像裁剪固定的大小，组成一个batch进行训练（用于解决在统一体素间距后，出现的数据分辨率不一致的问题）。 Sampling：为了防止Patch中的数据全部是背景，保证batch中的数据有1/3包含前景。 2.2 Cross-ValidationnnUnet在训练集上使用五折交叉验证进行评估 3.网络设计nnUnet与Unet的结构类似，但nnUnet会根据数据集自适应调整网络结构。 3.1 Cascade-UnetCascade-Unet:使用patch-training，不完整的图片导致感受野受限，为了解决该问题，设计出Cascade-Unet。 Cascade-Un ...

1.复制函数1.1 浅复制浅复制：仅复制对象的成员变量的值，而不复制对象中的指针所指向的内容。 注：如果原始对象中包含指针，浅复制将导致多个对象共享同一内存块，从而可能引发潜在的问题。当原始对象的析构函数被调用时，如果没有适当地管理共享资源，可能会导致重复释放内存或内存泄漏等问题。 1.2 深复制深复制：不仅复制对象的成员变量的值，还要递归地复制对象中的指针所指向的内容，创建一个全新的数据拷贝。 注：新对象与原始对象彼此独立，不共享内存块，但需要更多的计算和内存开销。 12345678910111213141516171819202122232425262728293031323334353637#include <string.h> #include<iostream>using namespace std; class String{ private: char *data; public: String(const char *str) { data=new char[strlen(str)]+1; ...

Unet网络结构 网络左边为contracting path(收缩路径)，右边为expansive path(扩张路径)。 注： 1.Contracting path为常规的3×3卷积结构，与ReLU，还有2×2的max pooling。每次下采样，都将featuremap的channel变为之前的两倍。 2.Expansive path为上采样过程，每次都是22的上采样卷积过程，并且将相应的feature channel减少为之前的一半。

1.FCN网络1.1 核心思想 不含全连接层的全卷积网络，可适应任意尺寸输入；（可以为不同大小和分辨率的图像生成像素级别的预测） 反卷积层增大图像尺寸，输出精细结果； 结合不同深度层结果的跳级结构，确保鲁棒性和精确性。 1.2 网络结构 注： 1.全卷积部分为一些经典的CNN网络（如VGG，ResNet等），用于提取特征。 2.反卷积部分则是通过上采样得到原尺寸的语义分割图像。 3.FCN的输入可以为任意尺寸的彩色图像，输出与输入尺寸相同，通道数为n（目标类别数）+1（背景）。 2.实例2.1 创建一个全卷积网络12345678910111213141516171819202122232425262728293031323334%matplotlib inlineimport torchimport torchvisionfrom torch import nnfrom torch.nn import functional as Ffrom d2l import torch as d2l#加载预训练的ResNet-18模型来提取图像特征，并查看该模型的最后三个子模块的结构和参数pre ...

1.图像分割语义分割：为每个像素都打上标签，只区分类别，但不区分类别中的具体单位。 实例分割：不光要区别类别，还要区分类别中的每一个个体。 2.Focal lossfocal loss从样本难易分类角度出发，解决样本非平衡带来的模型训练问题。 focal loss的具体形式：\large-\alpha(1-y_{pred})^{\gamma}y_{true}log(y_{pred})-(1-\alpha)y_{pred}^{\gamma}(1-y_{true})log(1-y_{pred}) 注： 1.$\large\gamma$通常设置为2，$\large(1-y_{pred})^{\gamma}$相当于样本的难易度权值,$\large\alpha$为正负样本的比例 2.为了防止难易样本的频繁变化，应当选取小的学习率。防止学习率过大，造成w变化较大从而引起 $\large y_{pred}$的巨大变化，造成难易样本的改变。 3.转置卷积转置卷积：用来增大输入的高宽 3.1 转置卷积的计算方式计算方式一： 计算方式二（填充为0，步幅为1)： 一般情况： 基本的转置卷积运算： 12 ...

1.常量1.1 使用 const 将变量声明为常量1const double pi = 3.14; 1.2 使用 constexpr 定义常量表达式12constexpr double GetPi() {return 3.14;}constexpr double TwicePi(){return 2* GetPi();} 1.3 使用关键字 enum 声明的枚举常量1234567891011121314151617181920212223#include<bits/stdc++.h>using namespace std;enum direct{ North=5, South, East, West };int main(){ direct f=North; cout<<f<<endl; cout<<South<<endl; cout<<East<< ...

torchvision.transforms1. torchvision.transforms.Composetorchvision.transforms.Compose：是一个用于组合多个图像预处理操作的类，将多个预处理操作串联在一起，以便在数据加载时对图像进行连续的处理。 torchvision.transforms.Compose(transforms) 的参数是一个列表，其中包含要进行的图像预处理操作。 1234567891011121314import torchvision.transforms as transforms# 定义图像预处理操作transformations = transforms.Compose([ transforms.Resize(256), # 调整图像大小为256x256 transforms.RandomCrop(224), # 随机裁剪为224x224 transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ToTen ...

线性回归1.线性回归的从零开始实现1.1 构造数据集以参数w=[2,−3.4]⊤、b=4.2和噪声项ϵ生成数据集。 标签：y=Xw+b+ϵ torch.normal()：生成一个服从正态分布的随机张量。 torch.matmul：计算两个张量矩阵相乘（可以用利用广播机制进行不同维度的相乘操作）。 1234567891011121314def synthetic_data(w, b, num_examples): """生成 y = Xw + b + 噪声。""" X = torch.normal(0, 1, (num_examples, len(w))) #torch.normal()生成一个服从正态分布（均值为0，标准差为1）的随机张量X，大小为(num_examples, len(w)) #其中num_examples是样本数量，len(w)是特征数量。 y = torch.matmul(X, w) + b #函数通过矩阵乘法计算目标变量y。y是由X和w之间的线性关系构造的，并且加上 ...

数据预处理1.创建csv文件1.1 创建目录os.makedirs(): 这是一个用于递归创建目录的函数。它接受一个路径作为输入，并创建路径中所有缺失的目录 exist_ok=True: 这是os.makedirs()函数的一个可选参数。当设置为True时，如果目标目录已经存在，函数不会引发错误，而是默默地继续执行。 os.path.join()：函数来连接两个路径部分：”..”(表示父目录) 和 “data” 1234os.makedirs(os.path.join('..', 'data'), exist_ok=True)#创建一个名为"data"的目录，该目录位于当前工作目录的父目录中data_file = os.path.join('..', 'data', 'house_tiny.csv')#创建一个名为data_file的变量，指向当前工作目录的上一级目录中的"data"目录下的"house_tiny.csv"文件 ...

神经网络1. 激活函数激活函数：作用在于决定如何来激活输入信号的总和。 如，感知机的数学形式： 其亦可表达为： h(x)函数会将输入信号的总和转换为输出信号，即为激活函数。 1.1 阶跃函数激活函数：以阈值为界，一旦输入超过阈值，就切换输出。 12345#当输入超过0时，输出1，否则输出0的阶跃函数def step_function(x): y = x > 0 return y.astype(np.int) #用astype()方法转换NumPy数组的类型 阶跃函数的图形 123456789import numpy as npimport matplotlib.pylab as pltdef step_function(x): return np.array(x > 0, dtype=np.int)x = np.arange(-5.0, 5.0, 0.1)y = step_function(x)plt.plot(x, y)plt.ylim(-0.1, 1.1) # 指定y轴的范围plt.show() 1.2 sigmoid函数sigmoid函数: $h(x)={ ...