榴红八色鸫

摘要： 本章围绕医学影像数据加载展开，核心是将 LUNA16 数据集的 CT 扫描文件（.mhd/.raw）与 CSV 标注文件转换为 PyTorch 可用的训练样本。首先合并并匹配候选结节标注信息，通过 Ct 类加载 CT 数据并裁剪 HU 值至合理范围，完成病人坐标系（XYZ）与数组坐标系（IRC）的转换；接着自定义 LunaDataset 类实现数据集核心方法，采用内存 + 磁盘缓存策略优化性能，按步长采样划分训练 / 验证集；最终输出包含候选区域张量、分类标签等的标准化训练样本，形成完整的数据准备流水线。 阅读全文

摘要： 首先介绍了卷积相对于全连接的三大优势：局部操作、平移不变性和参数量大幅减少。接着讲解了如何通过子类化 nn.Module 自定义模型，重点区分了函数式 API 与模块化 API 的使用场景——有参数的层用模块化，无参数的操作用函数式。最后探讨了三种模型改进策略：增加通道数扩展宽度、使用权重惩罚/Dropout/批量归一化进行正则化、以及通过跳跃连接构建更深的网络以解决梯度消失问题。文末提供了完整的 ResNet 风格网络代码实现。 阅读全文

摘要： 本文以区分CIFAR-10数据集中的鸟和飞机图像为实战目标，通过PyTorch完整演示深度学习流程。首先加载数据并预处理：将PIL图像转为张量，计算通道均值与标准差进行标准化，筛选出目标类别构建简化数据集；随后设计输入层(3072)→隐藏层(512)→输出层(2)的全连接网络，使用小批量梯度下降优化，选择适合分类任务的NLL损失函数。经过100轮训练，验证集准确率达81.3%。但该模型存在参数冗余（150万+参数易过拟合）、对图像空间结构不敏感等局限，因此下一篇将引入卷积神经网络解决这些问题。 阅读全文

摘要： 本文将合集上一篇文章的代码继续盖章。在本文第一节，解释了神经元、神经网络、激活函数以及为什么线性模型+激活函数能够模拟任意函数。接着在第二节，通过torch.nn模块，改造代码，实现了线性模型。接着在第四节，加入激活函数，并构造了一个简单的全链接神经网络，并说明了如何查看神经网络的参数。最后一届，展示了本文的实验结果和完整代码。 阅读全文

摘要： 学习就是参数估计！本文首先通过人工方法，写出更新参数的具体步骤（第一节）。接着，将人工求导和人工更新参数的地方替换为自动方法（第二、三节）。本文的第四节介绍了分割数据集的必要性，并在第五节提出了分割数据集的具体方法。第六节展示了具体的实验结果和本文的最终代码。 阅读全文

摘要： https://www.yuque.com/awescnb/user 阅读全文

摘要： 采集图像 命令行窗口输入cameraCalibrator打开相机标定工具箱。 单击Add Images后的小三角，选择from camera。 选择相机，设置相机属性。 设置分辨率 设置保存路径和拍照总数。总数尽量多些，因为不一定每张图像都能用。之后点击capture开始拍照。 分割图像 运行分割图 阅读全文

摘要： git基本操作简介。包括基本配置、建立本地仓库和推送到远程仓库。 阅读全文