点影成金 - 博客园

2025年12月17日

该文被密码保护。阅读全文

posted @ 2025-12-17 15:48 点影成金阅读(0) 评论(0) 推荐(0)

摘要： RNN存在弊端:与一个节点的距离远的节点会被忘记,因此提出LSTM(长短期记忆网络) GRU是LSTM的简化版 GRU有比LSTM更少的参数,所以训练起来更容易收敛(在小数据集上的表现优于LSTM) 阅读全文

posted @ 2025-12-17 15:46 点影成金阅读(3) 评论(0) 推荐(0)

摘要：模型分支采用concatenate进行连接 encoded_a = shared_lstm(tweet_a) encoded_b = shared_lstm(tweet_b) merged_vector = keras.layers.concatenate([encoded_a, encoded_ 阅读全文

posted @ 2025-12-17 15:45 点影成金阅读(9) 评论(0) 推荐(0)

函数式模型

摘要：序贯式模型可以使用 model = Sequential() model.add 函数式模型因为包含分支要用到像这样的: r_layer1 = LSTM(32,return_sequences = True)(input) 好处:便于模型融合(merge,concatenate) 阅读全文

posted @ 2025-12-17 15:44 点影成金阅读(13) 评论(0) 推荐(0)

封装与模块化

摘要：封装与模块化项目由一系列的.py文件组成，相当于是模块化编程的思想，这样有几点好处：首先是每个py文件各司其职，代码清晰、各个模块的作用看名字就一目了然。实现了灵活调用，需要哪个就调用哪个，不用在一整个文件里面去搜索、定位。其次是可复用性强，数据A这次用完之后，下次换成数据B，只需要更改一下阅读全文

posted @ 2025-12-17 15:41 点影成金阅读(10) 评论(0) 推荐(0)

2025年12月14日

以BA或AAL为脑区划分，人的前额叶包括哪些脑区？

摘要：人脑前额叶指大脑额叶的前部区域，运动皮层和运动前区皮层的前方，在经典的布鲁德曼分区中包括了8、9、10、11、12、13、14、24、25、32、44、45、46和47区。阅读全文

posted @ 2025-12-14 15:34 点影成金阅读(10) 评论(0) 推荐(0)

优化器参数

摘要： from keras.optimizers import SGD keras.optimizers.SGD(lr=0.001, momentum=0.0, decay=0.0, nesterov=False) 参数: lr:学习率 momentum: 调整此参数可以令loss下降的更平滑 decay 阅读全文

posted @ 2025-12-14 15:34 点影成金阅读(8) 评论(0) 推荐(0)

载入dict文件的方法

摘要： data['keyword'] 阅读全文

posted @ 2025-12-14 15:31 点影成金阅读(4) 评论(0) 推荐(0)

遮挡方法查找致病脑区

摘要： VBM:反映各个点的体积(密度) 对于100个VBM数据,采用十折交叉验证,90例用于训练模型,10例用于更改脑区像素值探究致病脑区伪代码: for 脑区 i = 1:90 for round = 1:10 把x_test的第i个脑区置为整个VBM数据的平均值把10个(1折)VBM放进模型,得到阅读全文

posted @ 2025-12-14 15:24 点影成金阅读(6) 评论(0) 推荐(0)

网络融合

摘要：网络融合什么是网络融合？简单说就是“1+1>2”——把不同网络或模块的优点组合起来，解决单一网络能力不足的问题。在医学影像分割中，常见融合场景：多尺度特征融合（如U-Net的跳跃连接）多模态数据融合（CT+MRI）多任务输出融合（同时分割器官+病变）多个模型预测融合（集成学习）分为以阅读全文

posted @ 2025-12-14 01:00 点影成金阅读(69) 评论(0) 推荐(0)

影像地图

Image Map

公告