mmmmfh的博客

原创 表示学习 & 无监督（变分）自编码器

自编码器神经网络是一种无监督的机器学习算法，它的主要目的是将输入层的数据压缩成较短的格式，我们也可以称为潜在空间（latent space）的特征表示，并通过解码将上述特征解码成与原始输入最为相近的形式。这样我们在使用原始输入图像的时候，就可以使用维度较小的压缩特征经过解码器后进行替代。这听着是不是很熟悉，我们有一个类似的机器学习算法，即PCA做同样的任务。那么为什么我们需要自动编码器呢？

原创 Python学习记录一——链式调用

转载]

原创 医学图像处理-数据集&文件格式

https://zhuanlan.zhihu.com/p/661132213https://zhuanlan.zhihu.com/p/620688513https://blog.csdn.net/weixin_46445090/article/details/145458641加载：需要自定义逻辑读取 .bin 文件，并将其中的权重应用到模型结构中。保存：同样需要自定义逻辑将模型的权重保存为 .bin 文件。在格式转换上，由于 .bin 文件是非标准化的格式，因此转换过程需要根据具体的 .bin

原创 PyTorch学习记录十五——导入

全大写的名称通常更多地用于表示常量（特殊的变量），即那些在程序运行过程中不应该被修改的值。比如一些数学常数或者配置文件的配置项等等。类似于如下导入，CONFIGS 很可能是一个变量，通常是一个字典或者配置类的实例。

原创 PyTorch学习记录十三——项目布局

]

原创 小提琴图（箱型图&核密度图）

黑色矩形（25%-75%）：代表四分位距IQR，即数据中25%-75%的值分布区间，用于衡量数据的离散或集中程度。通过小提琴的胖瘦体现核密度，值越集中，小提琴越窄。值越分散，小提琴越宽。Range（误差线）:展示非异常数据的极值范围（正常值的最大值-最小值），反应数据整体波动。Median (白色圆点)：表示数据的中位数，是数据分布的中间位置指标。

原创 IEEE&scholarone manuscript投稿系统问题

原创 LaTeX & Overleaf——以JBHI template为例

.....生成摘要，要求150-250词定义关键词，用于文献检索。

原创 PyTorch学习记录十八——函数&方法

【代码】PyTorch学习记录十八——函数&方法。

原创 PyTorch学习记录十四——超参数设置

学习率预热是在整个训练流程中对学习率进行动态调整的一个阶段。在开始的 warmup_steps （这里是 500 步）内，学习率从一个较小的值逐渐增加到预设的初始学习率。这个过程是与模型的参数更新同步进行的，也就是在训练的前 500 步中，模型一边更新参数，一边逐渐提升学习率。那么这个较小的值是怎样得到的？在代码实现里，这个较小值通常会在学习率调度器的实现中被设定。

原创 PyTorch学习记录十二——tqdm

tqdm三方库官方文档]

原创 PyTorch学习记录十一——datetime

菜鸟教程]此模块是python的内置模块，用于处理日期和时间。

原创 PyTorch学习记录十——os

os模块是python内置的，提供了一种方便的使用操作系统的方式。

原创 PyTorch学习记录九——随机数

设置随机种子输出结果如下生成的随机数位于[0.0, 1.0)，是53位精度的浮点数。如果不设置随机种子，则每次生成的输出结果不同。如下所示设置一个随机种子print(a)print(b)输出结果如下设置多个随机种子print(a)print(b)输出结果如下此处使用torch.rand()函数作为示例。此函数用于生成具有均匀分布的随机数，这些随机数的范围在[0, 1)间。它接受一个形状参数（shape），返回一个指定形状的张量（tensor）。不设置随机种子。

原创 PyTorch学习记录六——logging

logging是python的一个标准库，是内置模块，直接import不需要安装，提供了通用的日志系统（包含不同级别），用于记录训练过程、监控模型性能、调试代码，方便实验复现和问题分析。主要用来记录&输出以下内容：1.超参数信息2.训练损失（loss,accuracy,gradient notm）3.验证&测试结果4.模型保存信息5.时间&组员消耗6.异常&预警在训练模型时，通常使用logging模块，或者wandb、tensorboard来记录训练过程。

原创 PyTorch学习记录七——异常处理

在Pytorch中，异常指的是程序运行时可能出现的错误或异常情况，例如数据类型错误、数组越界、内存错误等。Pytorch提供了一些内置的异常类，我们可以通过try语句捕捉这些异常进行相应的处理。

原创 PyTorch学习记录五——argparse

教程]

原创 PyTorch学习记录四——pytorch中的hook方法

四种钩子方法]

原创 PyTorch学习记录三——Autograd机制

官方中文文档][哔站讲解视频][英文]

原创 PyTorch学习记录二——tensorboard

运行上述命令后，TensorBoard会在本地启动一个Web服务，通常默认监听6006端口。命令行启动tensorboard，参数指定的是tensorboard应该读取的日志文件夹路径，从这个文件中读取训练过程中生成的日志文件，从而实现可视化。

原创 关于github desktop的基本提交流程与gitignore的使用

【代码】关于github desktop的基本提交流程与gitignore的使用。

原创 PyTorch学习记录一——学习基础知识

【免费】PyTorch基本架构与主要基础知识思维导图资源-CSDN文库

原创 关于MedSAM项目的使用说明

4.模型测试：先使用inference.py对测试集的图像进行操作，得到训练出来的模型预测后的分割结果。在终端中输入wandb login，然后粘贴api key，注意粘贴后是不会显示出来的，直接回车就好。训练完成后得到的模型权重文件.pth不能直接用于推理，需要利用ckpy_convert.py将模型训练出来的权重文件转换为参数对应的另一份.pth文件。3.模型推理：MedSAM_Inference.py以及gui.py只能对单张图像进行推理且无法快速保存分割后的结果，从而无法用于模型测试。

原创 关于conda与pip的理解

最后，许多博客的说法也有不尽相同的地方，未有确切定论。