- 博客(45)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 Python绘制美观图表方法
要让Python绘制的图表变得美观，需要结合数据可视化库的使用技巧和设计原则。来提升图表的美观度和专业性。根据具体需求，可以调整颜色、尺寸、标注等参数来满足不同的可视化需求。• 使用现代可视化库（Plotly/Altair）• 使用Seaborn的预设样式。• 添加数据标签和注释。二、常见图表美化示例。
2025-05-10 10:22:28
353
原创 使用PyTorch训练马里奥强化学习代理的完整指南
以下是使用PyTorch训练马里奥强化学习代理的完整指南，涵盖依赖库配置、环境搭建、核心代码实现及输出结果分析，结合关键优化策略与实战经验。• 作用：将输入从RGB(240x256x3)降维到灰度(84x84x1)，并堆叠4帧以捕捉动态。• 注意：若使用Windows系统，需额外安装Visual C++编译工具链以支持部分库。• 后期（100万步）：稳定通过第一关，最高奖励达3000+。• 中期（50万步）：学会跳跃躲避障碍，奖励提升至500+• 效果：马里奥自动右移、跳跃吃金币，躲避敌人并通关。
2025-05-09 20:36:23
606
原创 对PyTorch模块进行性能分析
通过上述工具与策略，开发者可系统性地定位和解决PyTorch模型中的性能问题，实现训练速度提升和资源消耗降低的双重目标。• 吞吐量（Throughput）：单位时间处理的数据量（如images/sec），受批量大小和并行度影响。• 在代码中指定输出目录，通过TensorBoard查看GPU利用率、算子耗时分布和自动瓶颈检测建议。• GPU利用率：理想情况下应接近100%，低利用率可能由数据加载或同步问题导致。• CUPTI API：底层CUDA事件追踪，适用于分布式训练场景的深度优化。文件，便于版本对比。
2025-05-09 20:24:58
1039
原创 增强学习（Reinforcement Learning）简介
• 价值函数（Value Function）：预测某状态或动作的长期回报（如Q-Learning中的Q表）。• 预期效果：经过约200轮训练，智能体可稳定保持平衡超过195步（CartPole-v1的胜利条件）。• 状态（State）：描述环境的当前信息（如棋盘布局、机器人传感器数据）。• 动作（Action）：智能体在特定状态下可执行的操作（如移动、下棋）。• 奖励（Reward）：环境对动作的即时反馈信号（如得分增加或惩罚）。• 策略（Policy）：从状态到动作的映射规则（如基于Q值选择动作）。
2025-05-09 20:19:18
429
原创 MAE自监督大模型在医学报告生成中的应用
MAE（Masked Autoencoder）是一种基于图像块（patch）掩膜重建的自监督学习方法，通过随机掩盖输入图像中75%的区域，强制模型从剩余可见区域学习全局语义表征。在ViT编码器中引入金字塔结构（MAE-P），低层级捕捉纹理细节（如DWI高信号区），高层级整合全局语义（如宫旁浸润范围）。通过重建被掩盖的MRI图像区域（如宫颈癌病灶的T2WI高信号区），模型能学习器官解剖结构（如宫颈基质环完整性）与病理特征（如肿瘤浸润深度）的关联。• 问题：生成报告中“肌层浸润”与“深肌层侵犯”表述混淆。
2025-05-08 16:19:57
893
原创 MAE自监督大模型在医学报告生成中的应用
总结：MAE通过自监督预训练突破医学标注瓶颈，结合多模态对齐与知识约束生成技术，已实现从影像特征提取到结构化报告生成的全流程自动化。• 轻量化解码器：华为云团队提出基于稀疏卷积的CNN-MAE（SparK），通过分层解码器设计减少计算量，在3D医学图像分割中Dice系数提升8%。• 病灶感知掩膜：优先掩盖非关键区域（如正常组织），保留病灶核心区，强制模型学习边缘特征。• 方案：联邦学习框架（Swarm Learning）实现多中心协同训练，在子宫内膜癌研究中AUC达0.892，隐私保护等级ε=2。
2025-05-08 16:06:34
932
原创 在分类任务中，显著性分析
在二分类任务中，显著性分析主要用于验证模型性能差异、特征重要性或分类变量关联性。以上方法可满足二分类任务中模型性能、特征关联性和参数显著性的分析需求。具体实现时需根据数据分布和样本量选择合适方法。三、分类器预测一致性检验（McNemar Test）• 小样本优先使用精确检验（如Fisher精确检验）• 多重比较需校正（Bonferroni或FDR）四、参数显著性分析（Logistic回归）• 完整实现需处理数据预处理和模型训练步骤。二、特征与分类结果的关联性分析。一、模型性能差异的显著性分析。
2025-04-26 16:45:13
638
原创 二分类任务中，统计置信区间
在二分类任务中，统计置信区间的方法需根据具体场景选择合适的技术。若需进一步了解特定场景的实现细节（如多分类扩展），可参考。• 大样本：正态近似或Agresti-Coull方法（Wilson的变体）。• 小样本：优先使用Clopper-Pearson或Wilson方法。• 模型指标：推荐Bootstrap方法（如AUC、召回率）。• 提高置信水平（如99%）会扩大区间宽度，降低误判风险。二、模型评估指标的置信区间（如AUC、准确率）一、二项式比例的置信区间（适用于正类比例）三、正态近似法（大样本适用）
2025-04-26 16:40:13
473
原创 不同模型架构和任务类型对输入图像尺寸的选择
输入尺寸为 224×224，图像被分割为16×16的块（共196个），经线性映射后输入Transformer编码器。多采用 800×1333（保持宽高比）或固定尺寸（如 512×512），兼顾效率与效果。常用 512×512 或 1024×1024，高分辨率可保留细节，提升分割精度。输入尺寸灵活，如 320×320（快速推理）或 608×608（高精度检测）。• 从256×256随机裁剪224×224可提升泛化性，常见于分类任务。• 大尺寸（如1024×1024）需更高显存，可能限制批大小。
2025-04-23 10:59:22
417
原创 使用Python绘制AUC曲线（即ROC曲线）
通过上述步骤，可快速实现AUC曲线的绘制与模型性能评估。如需进一步优化图形风格（如颜色、标注），可参考。• 数据集需包含真实标签（二分类：0/1）和模型输出的预测概率值（连续值）。• ROC曲线适用于二分类，多分类需使用One-vs-Rest策略生成多条曲线。：根据业务需求调整阈值（如医疗诊断需高TPR，风控需低FPR）。• 若AUC接近0.5，说明模型与随机猜测无异。[ROC曲线示意图，AUC值标注在右下角]：在同一图中绘制多条曲线，对比不同模型性能。• 常用模型如逻辑回归、随机森林等，通过。
2025-04-18 15:28:33
1009
原创 WIN11运行游戏时出现“ms-gamingoverlay”弹框的问题
• 进入系统设置（Win+I）→ 左侧选择【游戏】→ 右侧点击【Xbox Game Bar】→ 关闭“使用控制器按钮打开Xbox Game Bar”选项。• 继续在“游戏”设置中，选择【屏幕截图/摄像】→ 关闭“录制游戏过程”“录制音频”等所有相关选项。• 确保系统为最新版本（设置→Windows更新），并重新安装游戏以修复可能损坏的文件。• 游戏运行时，通过任务管理器（Ctrl+Shift+Esc）关闭占用资源的非必要进程。• 将“启用或禁用游戏录制”设置为“已禁用”，重启电脑生效。
2025-04-17 19:24:30
3239
原创 PyTorch的benchmark模块
精确测量代码运行时间，支持CPU/GPU时间统计，并自动处理CUDA异步执行的同步问题。：包含ResNet、Transformer、YOLO等主流模型，支持自定义数据集。：对比不同实现（如原生PyTorch vs TorchScript）的性能差异。：测试前需固定PyTorch版本、CUDA版本和硬件驱动，避免结果波动。：检查PyTorch版本升级后的性能变化（如1.12→2.0）。：测试模型在CPU/GPU/TPU上的性能表现，指导部署选型。，在反向传播时重新计算中间结果而非存储，适用于大模型训练。
2025-04-16 21:28:38
1119
原创 在PyTorch中，使用不同模型的参数进行模型预热
在PyTorch中，使用不同模型的参数进行模型预热（Warmstarting）是一种常见的迁移学习和加速训练的策略。通过以上方法，可以灵活实现模型参数的迁移和初始化优化，显著提升训练效率。允许忽略源模型与目标模型之间不匹配的键（如不同层名或结构差异），仅加载匹配的参数，未匹配的层保持随机初始化。：加载预训练模型的骨干网络（如ResNet），替换分类头后微调。：当目标模型新增或删减部分层时，保留共有层的预训练参数。：例如，将图像分类模型的特征提取层用于目标检测任务。：使用字符串替换适配目标模型的层名。
2025-04-16 21:23:33
485
原创 Prediction of recurrence risk in endometrial cancer with multimodal deep learning
HECTOR模型通过。
2025-04-15 11:27:11
672
原创 SimpleITK (sitk) 中查看 DICOM 文件的像素位深（8位或16位）
存储原始数据（如 CT 的 HU 值），但部分设备可能输出 8 位图像（如部分超声或 X 光片）。通过以上方法，可以准确判断 DICOM 文件的像素位深，并根据需求进行后续处理。若需调整位深（如归一化到 8 位），可结合窗宽窗位进行动态范围压缩（参考。（范围通常为 -32768~32767 或 0~65535）。将图像数据转为 NumPy 数组后，通过。方法获取像素类型标识符，再通过。加载文件，生成图像对象。DICOM 文件通常使用。
2025-04-14 20:58:03
306
原创 在Ubuntu系统中运行Windows程序
通过虚拟化技术（如VirtualBox）在Ubuntu中创建Windows虚拟机。：通过模拟Windows API环境直接运行.exe文件，无需安装完整系统。安装依赖库（如.NET Framework、Visual C++）提升兼容性。• 虚拟机需启用BIOS中的虚拟化功能（如Intel VT-x或AMD-V）• 复杂程序（如Office、Photoshop）可能存在兼容性问题。• 支持直接调用Linux硬件（如打印机、USB设备）• 资源占用低，适合运行简单工具（如单文件程序）
2025-04-14 11:24:54
978
原创 Python将DICOM（.dcm）文件转换为NIfTI（.nii）格式
具体实现时，推荐优先使用SimpleITK或dcm2niix，二者均已解决大部分DICOM兼容性问题。• 支持多平台（Windows/Linux/macOS）和高效压缩。：需要直接集成到Python流程中，支持批量处理和3D重建。• 适合处理多模态数据（如MRI的T1/T2序列）：需要BIDS格式元数据或处理复杂DICOM标签。• 支持压缩输出（.nii.gz）和方向校准。• 处理方向信息更准确（如强制RAS坐标系）• 需手动处理方向仿射矩阵（参考DICOM的。• 适合需要修改体素分辨率或坐标系的场景。
2025-04-14 11:01:46
645
原创 Ubuntu下解压ZIP压缩文件出现中文乱码问题的综合解决方案
由于ZIP格式未声明文件名编码标准，导致跨平台解压时文件名乱码。该工具支持30+种编码自动识别，解压后可保留目录结构。重启后所有unzip操作自动应用GBK编码。安装插件后，文件管理器右键解压自动处理编码。参数无效，需更新unzip或改用其他工具。长期使用推荐配置系统环境变量。编码压缩文件，而Ubuntu系统默认以。支持右键菜单解压，可手动选择编码。Windows系统默认使用。工具，若遇复杂情况可结合。
2025-04-14 10:49:22
1071
原创 C盘清理技巧
右键C盘 → 属性 → 磁盘清理 → 勾选常规项（临时文件、回收站等）→ 点击“清理系统文件” → 勾选“Windows更新清理”“传递优化文件”“旧的Windows安装”（可释放5-20GB）：Win+i → 系统 → 存储 → 开启存储感知 → 配置自动清理周期（如每天删除回收站文件，每周清理临时文件）。：高级系统设置 → 性能设置 → 高级 → 虚拟内存 → 取消C盘分页文件 → 设置其他盘为“系统管理的大小”。：设置 → 系统 → 恢复 → 重置此电脑（保留文件）。
2025-04-11 17:01:14
725
原创 Transparent medical image AI via an image–text foundation model grounded in medical literature
MONET模型通过。
2025-04-11 11:07:02
1036
原创 A vision–language foundation model for precision oncology
MUSK模型通过统一掩码建模与病理学优化，实现了多模态数据的高效融合，将AI驱动的肿瘤决策从"单一诊断"推向"全周期管理"。
2025-04-11 10:06:36
666
原创 主流的MRI基础模型及其对应的GitHub开源地址
图像分割多模态诊断重建与仿真如需探索更多项目，可关注以下领域：•联邦学习框架：适用于多中心MRI数据隐私保护场景•生成式模型：如MRI到CT的跨模态合成（参考OpenMEDLab的合成数据策略）•轻量化部署：针对移动端或边缘设备的优化模型可进一步访问上述GitHub仓库获取代码和预训练模型。
2025-04-10 16:39:24
375
原创 2022-2025年间与MRI相关的重点研究
基于统一掩码建模的Transformer架构，支持MRI影像与病理文本联合训练，在肝脏MRI的LI-RADS特征提取中准确率达0.85以上。：支持跨7种解剖部位（包括脑部、脊柱等）和9种成像模态（含MRI）的病例级诊断，整合ICD-10疾病编码与医学知识图谱，实现多模态联合推理。：结合PSAD与多参数MRI（mp-MRI）的定量指标（ADC值、动态增强参数），构建CSPCA诊断模型，AUC达0.955。：基于BERT和BioBERT的NLP模型，从MRI放射报告中预测IDH突变状态，AUC达0.86。
2025-04-10 15:17:27
744
原创 医学图像与自由文本结合诊断的开源项目
如需特定模型的训练/推理示例代码，可进一步说明应用场景（如肺癌预后预测或糖尿病视网膜病变检测），我将提供针对性代码片段。：基于统一掩码建模的Transformer架构，支持病理图像与临床文本联合训练，实现预后预测与免疫治疗响应评估。：开源多模态模型，支持影像+临床+遗传信息推理，含动态权重融合与低幻觉率优化。：整合3D影像与长文本上下文理解，支持放射报告生成与多源数据诊断。：通用医学图像-文本预训练框架，适配CT/X光/病理多模态任务。：支持40+癌症类型的多模态诊断，含全场图与镜下视野融合模块。
2025-04-10 10:10:25
389
原创 如何禁用 PyCharm 的测试功能
禁用 PyCharm 的测试功能可通过全局设置删除配置或文件命名规避实现。推荐优先使用方法一全局禁用，若需保留部分测试能力，再结合方法二按需调整。如需恢复测试功能，重新选择测试框架即可。
2025-04-09 15:30:25
566
原创 基金的分类与如何选择基金
基金分类是投资决策的基础，选择时需结合个人目标、风险偏好和市场动态。保守投资者可侧重债基与货币基金，进取型可配置指数基金或行业主题基金，同时关注费用、规模和历史业绩。长期来看，分散化、定投和全球化配置是应对市场波动的有效策略。
2025-04-09 15:07:38
1164
原创 火狐浏览器和chrome浏览器的优劣势对比
扩展生态•Chrome：扩展库庞大（Chrome Web Store 超 20 万款扩展），但审核宽松导致部分扩展捆绑广告或返利。•Firefox：扩展数量较少，但审核严格（如广告拦截扩展 ABP 在 Firefox 上采用更彻底的屏蔽机制），且支持深度脚本定制（如 Greasemonkey）。界面与功能定制•Firefox：支持超过 7000 种主题和工具栏自由布局，可高度模拟 Chrome 外观或打造独特风格。•Chrome：界面简洁但可塑性较弱，用户需依赖扩展实现复杂功能。场景。
2025-04-09 10:54:42
774
原创 A Foundation Model for Generalizable Disease Detection from Retinal Images
RETFound通过自监督学习与多任务迁移，实现了视网膜影像的通用疾病检测，标志着医学AI从“单任务专用”向“基础模型驱动”的范式转变。其核心贡献在于。
2025-04-08 10:41:08
303
原创 VFMGL轻量化医学基础模型
VFMGL框架为医学影像分析提供了一种高效、隐私安全的解决方案，其“轻量化+联邦协同”范式或将成为医疗AI领域的新标准，推动精准医疗从单点突破向系统化落地迈进。
2025-04-07 11:16:10
355
原创 A data-efficient strategy for building high-performing medical foundation models
• 通过监督微调（如添加多层感知机MLP），将模型迁移至糖尿病视网膜病变分级、青光眼诊断等具体任务，显著降低标注需求（部分任务仅需40%标注数据）。：基于Stable Diffusion模型，以疾病标签为文本条件生成视网膜图像，模拟真实数据的生理结构（如血管、视盘）和病理特征（如出血、渗出）。• 在9个公共数据集上的4项任务（糖尿病视网膜病变分级、青光眼诊断等）中，性能与全数据训练的RETFound相当或更优（AUROC提升3-5%）。：过度依赖合成数据可能导致模型偏差，需结合真实性验证和动态更新机制。
2025-04-07 10:59:56
613
原创 静电累积导致电脑无法开机
当机箱外壳或主板上的静电电压超过阈值时，会触发主板BIOS的静电保护机制，导致无法完成开机自检（POST）或电源无法启动。• 测试接地电阻：普通住宅建议≤4Ω，机房需≤1Ω（可用万用表测量地线与零线间电压，应<5V）• 用带绝缘皮的导线连接机箱金属部分与金属水管/暖气管（需确认管道已做等电位联结）• 将导线一端固定于机箱螺丝，另一端压在地板重物下（如金属桌腿）• 佩戴防静电手环（1MΩ电阻型，接地端插入插座PE孔）• 接触电脑前触摸接地的金属物体（如未上漆的暖气片）
2025-04-03 10:33:53
1344
原创 在Windows系统中让Python程序在失去焦点后仍全速运行
在Windows系统中让Python程序在失去焦点后仍全速运行，需结合系统资源分配优化和程序自身调整。
2025-04-03 09:56:53
562
原创 MRI基础模型BME-X
该研究为MRI图像处理提供了全新的基础框架，相关成果发表于《Nature Biomedical Engineering》，并获2024年度医学影像技术创新奖。
2025-04-02 15:24:18
1014
原创 ResNet50和BERT的双向交叉注意力
在ResNet50和BERT的交叉注意力计算中，维度变换的核心在于对齐两个模型的特征空间，使其能够通过注意力机制进行交互。
2025-04-02 10:31:56
739
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人