切换马甲
上一页
下一页
分类专栏
-
242篇
默认分类
文章数:242
文章总阅读量:222w
文章总收藏量:1.3k
文章总点赞量:2.2w
按发布时间
按阅读量
按点赞量
-
周末在家没事,做了两个数据可视化的echarts图表,学到了很多有关echarts的知识点。现在总结一下,供各位同学一起学习,成长。 需求 图表的练习 一、深入学习echarts5,并总结 二、做一个练习 1、使用dataset 2、总结一下公共的配置 3、react技术栈,ts语言 4、组件使用antd 图1-1 以上为图1-2 效果图 以上为 图2-1 图2-2 思路 分析需求图1-12021-07-05 09:54:533 5 4829
-
【深度学习】CNN神经网络应用(用于亚洲大黄蜂分类) 文章目录 1 概述 2 假设条件 3 网络结构 4 数据集和参数 5 Asian hornet classification experiments and model validation 6 Model Calculation and Result Analysis 7 LIME algorithm to explain the CNN2021-07-05 16:39:4092 5 5719
-
文章目录 1 Python安装第三方库SimpleITK 2 SimpleITK处理医学图像 3 图像增强、去噪、边缘检测(SimpleITK) 4 使用SimpleITK读取和保存Nii.gz文件 1 Python安装第三方库SimpleITK 命令行模式下,任意位置输入: pip install SimpleITK 第三方库会自动存在Python安装路径下的Lib\site-pack2021-07-06 10:18:5993 5 29318
-
前言 各位读者好,截止目前,ThingsBoard系列文章已经做了十篇,分别是 ThingsBoard教程(一):ThingBoard介绍及安装 ThingsBoard教程(二):租户,租户配置,部件组模块的使用 ThingsBoard教程(三):系统设置模块的使用 ThingsBoard教程(四):规则链简介与操作 ThingsBoard教程(五):客户,资产管理 ThingsBoard教程(2021-07-07 12:13:4094 5 10991
-
【机器学习】通俗的元胞自动机算法解析和应用 文章目录 1 元胞自动机的定义 2 元胞自动机的组成 3 元胞自动机的特征 4 Python实现元胞自动机(生命游戏) 5 总结 6 Github(华盛顿州大黄峰分布预测和分类) 1 元胞自动机的定义 元胞自动机(Cellular Automata,简称CA)是一种应用比较广泛的模型理论,由冯·诺依曼创始,经数学家Conway、物理学家Wolfram等2021-07-07 16:10:3596 2 10101
-
1 概述 什么是弱监督学习呢?文章里说,弱监督学习可以分为三种典型的类型,不完全监督(Incomplete supervision),不确切监督(Inexact supervision),不精确监督(Inaccurate supervision)。 不完全监督是指,训练数据中只有一部分数据被给了标签,有一些数据是没有标签的。 不确切监督是指,训练数据只给出了粗粒度标签。我们可以把输入想象成一个包2021-07-08 09:43:4797 6 12456
-
Lens 介绍 Lens 是一款开源的 Kuernetes 的IDE,可使用它管理多集群的资源,包括namespace,deployment,services,pod。 官方提供各个平台的安装包下载。 它所具备的特性 移除复杂性,使用者不必学习复杂的kubectl命令 实时观察 故障分析和调试 运行在桌面,支持mac,windows,linux 开源免费 支持EKS,AKS,GKE,minik2021-07-08 15:47:1192 3 5954
-
【深度学习】人脸识别和口罩检测的应用 文章目录 1 概述 2 人脸识别模型搭建与训练 3 口罩检测 3.1 数据来源 3.2 YoloV4简介 3.3 数据集处理 3.4 开始训练 3.5 测试 1 概述 1、数据集说明:这里用到数据集来自于百度AI Studio平台的公共数据集,属于实验数据集,数据集本身较小因而会影响深度网络最终训练的准确率。数据集链接2021-07-09 11:16:5192 2 5504
-
【深度学习】强化学习Q-Learning和DQN的应用(迷宫) 文章目录 1 Q-Learning 2 例子 3 用 network 解决 4 DQN机器人走迷宫代码 4.1 基础搜索算法介绍(广度优先搜索算法) 4.2 DQN 1 Q-Learning 我们做事情都会有一个自己的行为准则, 比如小时候爸妈常说”不写完作业就不准看电视”. 所以我们在 写作业的这种状态下, 好的2021-07-12 11:01:4792 5 8002
-
文章目录 1 概述 2 Keras 3 VGG16 (VGG16) 4 MobileNetV2 (MobileNetV2) 5 盗版ResNetV2 (InceptionResNetV2) 6 盗梦空间V3 (InceptionV3) 7 使用预训练的模型进行图像分类fine-tuning 1 概述 (1)预训练权重的作用: 预测 特征提取 微调 (2)Finetune过程: 构建图结构,截取目2021-07-12 11:02:3294 4 4676
-
【深度学习】Transfomer在文本处理上的应用(风格识别) 文章目录 1 Transformers简介 2 数据预处理 3 作家风格识别 4 实验内容 4.1 介绍数据集 4.2 数据集预处理 4.3 模型代码 # 5 实验结果 1 Transformers简介 现目前NLP任务最热门的方式即是:大规模预训练+微调的方式,完成模型训练。即通过大规模预训练模型,训练出词2021-07-12 11:03:0092 1 6295
-
【深度学习】Keras加载权重更新模型训练的教程(MobileNet) 文章目录 1 重新训练 2 keras常用模块的简单介绍 3 使用预训练模型提取特征(口罩检测) 4 总结 1 重新训练 重新建立模型并且复制原模型的layer,例: model = Sequential() for layer in source_model.layers[:-1]: # 跳过最后一层 model2021-07-13 10:59:2492 0 7477
-
前言 各位读者好,截止目前,ThingsBoard系列文章已经做了十篇,分别是 ThingsBoard教程(一):ThingBoard介绍及安装 ThingsBoard教程(二):租户,租户配置,部件组模块的使用 ThingsBoard教程(三):系统设置模块的使用 ThingsBoard教程(四):规则链简介与操作 ThingsBoard教程(五):客户,资产管理 ThingsBoard教程(2021-07-13 16:37:1592 3 10579
-
【深度学习】神经网络结构搜索(NAS)与多模态 文章目录 1 概述 2 经典的NAS方法 2.1 搜索空间 2.2 搜索策略 2.3 性能评估 3 多模态 4 多模态表示学习 Multimodal Representation 1 概述 神经网络结构搜索(Neural Architecture Search,NAS)是自动机器学习(Auto-ML)领域热点之一,通过设计2021-07-14 09:51:0993 0 5908
-
【深度学习】Tonsorboard可视化模型训练过程和Colab使用 文章目录 1 概述 2 手撸代码实现 3 Colab使用 3.1 详细步骤 3.2 Demo 4 总结 1 概述 在利用TensorFlow模型训练过程中,我们都知道使用tensorboard进行训练过程中的acc和loss可视化,便于我们观察训练过程中是否出现问题。但是训练的时候我常发现只能在一个loss曲线2021-07-15 10:44:3393 0 5258
-
文章目录 1 Focal Loss调参概述 2 实验 3 FocalLoss 对样本不平衡的权重调节和减低损失值 4 多分类 focal loss 以及 dice loss 的pytorch以及keras/tf实现 4.1 pytorch 下的多分类 focal loss 以及 dice loss实现 4.2 keras/tf 下的多分类 focal loss 以及 dice l2021-07-15 10:45:2195 0 16613
-
【深度学习】弱/半监督学习解决医学数据集规模小、数据标注难问题 文章目录 1 概述 2 半监督学习 3 重新思考空洞卷积: 为弱监督和半监督语义分割设计的简捷方法 4 弱监督和半监督分割的训练和学习 5 总结 1 概述 随着标注数据的大量增加,深度学习在图像分割方面获得了巨大地成功。然而,对于医学图像来说,标注数据的获取通常是昂贵的,因为生成准确的注释需要专业知识和时间,特别是在三维图像中。为了2021-07-16 12:56:1094 3 14352
-
特性介绍 aria属性介绍 W3C 制定了无障碍富互联网应用规范集(WAI-ARIA,the Accessible Rich Internet Applications Suite),致力于使得网页内容和网页应用能够被更多残障人士访问。Apache ECharts 4 遵从这一规范,支持自动根据图表配置项智能生成描述,使得盲人可以在朗读设备的帮助下了解图表内容,让图表可以被更多人群访问。除此之外,2021-07-16 15:35:3793 4 6031
-
语法解析 echart的贴花效果主要是靠decal下的几个参数来配置。那么让我们一起来看看一共哪些参数,具体能实现怎样的效果吧。 decals 首先是decals, 这个属性可以是一个对象object,也可以是一个数组array。 当是对象是,表面当前的图表,所有系列都是用同一个贴图。 配置如下: aria:{ enabled:true, decal:{ show:2021-07-16 15:43:2593 2 5665
-
【深度学习】面向医学图像的病灶分割调研(三) 文章目录 任务1 任务2 任务3 基于剪枝Swin-Unet进行医学图像病灶分割 总结 参考 任务1 理解深度学习在医学图像中的应用并总结: 在过去的几十年里,计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描术(PET)、乳房X光检查、超声波、X射线等医学成像技术,已被广泛用于疾病的早期发现、诊断和治疗。在临床上,医学图像的解释大多是2021-07-19 17:08:4094 5 6858