丹青两幻

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)={ ...

1.plot()函数plot()函数会根据列表中的数据尝试绘制出有意义的图形 参数： 1234567x = np.arange(-6,6,0.1)#起点：-6，终点：6，步长：0.1y1 = np.sin(x)y2 = np.cos(x)plt.plot(x,y1)plt.plot(x,y2)plt.show() plt的title()方法：添加图标标题 xlabel()、ylabel()方法：为每条轴设置标题、大小等参数 tick_params()方法：指定刻度标记的大小 12345678910x = np.arange(-6,6,0.1)#起点：-6，终点：6，步长：0.1y1 = np.sin(x)y2 = np.cos(x)plt.plot(x,y1)plt.plot(x,y2)plt.title("Figure 1",fontsize = 18,color = "red")plt.xlabel("x value",fontsize = 14)plt.ylabel("y value",fontsi ...

感知机感知机的概念​ 感知机是一种线性分类模型，属于判别模型，其使用一个线性方程所对应的超平面，将特征空间分成两部分。 例：有两个输入的感知机： x1、x2是输入信号，y是输出信号，w1、w2是权重。图中的○称为“神经元”或者“节点”。输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，当这个总和超过了某个界限值时，才会输出1，否则输出0（二分类）。这也称为“神经元被激活”。这里将这个界限值称为阈值，用符号θ表示。 用数学公式表示为： 注：感知机的多个输入信号都有各自固有的权重，权重越大，对应该权重的信号的重要性就越高 单层感知机的局限性：单层感知机的局限性就在于它只能表示由一条直线分割的空间。（单层感知机无法分离非线性空间） 多层感知机：多层感知机可以表示非线性空间 感知机的损失函数感知机的损失函数：误分类点到超平面的距离，即$-{1 \over {||w||}}\sum \limits_{x_i\in M} y_i(w*x_i+b)$,其中M为误分类点的集合 注：对于误分类点，$y_i(wx_i+b)$<0 ...