个人技术分享

pytorch实现UNet病理图像分割

主要是复现和训练测试自己的数据集。

拆分与拼接

在上一章中，我们介绍了Model类和Tokenizers类，尤其是如何运用分词器对文本进行预处理。Transformers 库建立在 Pytorch 框架之上（Tensorflow 的版本功能并不完善），虽然官方宣称使用 Transformers 库并不需要掌握 Pytorch 知识，但是实际上我们还是需要通过 Pytorch 的DataLoader类来加载数据、使用 Pytorch 的优化器对模型参数进行调整等等。

pycharm在pytorch环境的配置使用

pyinstaller打包指令不要用 -F ，-F是打包为一整个exe，容易出现问题，使用以下指令。首先下载官方代码至本机，并使用conda创建虚拟环境，并安装好yolov10所需库。下载官方模型权重 yolov10m.pt ，并在根目录下创建推理代码。打包将在dist文件夹下生成exe,以及相应独立包文件，运行exe。本节实验将官方yolov10推理程序打包为exe运行。（3）安装pyinstall ，并执行打包指令。打包过程，可能会被防火墙拦截，报病毒错误。接下来将该代码打包为exe,

索引与切片

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。

【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-08多层感知机简洁版。

【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-12Kaggle竞赛：预测房价。

🍨 本文為🔗365天深度學習訓練營中的學習紀錄博客 🍖 原作者：K同学啊 | 接輔導、項目定制一、我的環境 電腦系統：Windows 10 顯卡：NVIDIAQuadro P620 語言環境：Python 3.7.0 開發工具：Sublime Text，Command Line(CMD) 深度學習環境：1.12.1+cu113Tensorflow 二、準備套件# PyTorch 的核心模組，包含了張量操作、自動微分、神經網絡構建、優化器等

YOLO系列目标检测算法以其速度和精度著称，但其推理速度仍然存在提升空间。谷歌团队提出的CondConv（Conditional Parameterized Convolution）是一种条件参数化卷积，可以根据输入条件动态调整卷积核参数，从而提高推理效率。CondConv的核心是条件函数，它可以根据输入特征或其他信息生成条件。# 根据输入特征生成条件cond = feature.mean(dim=(1, 2, 3)) # 例如，使用特征图的全局平均值作为条件# 使用条件预测参数。

创建一个自定义的图像数据集类，用于加载和处理图像数据定义一个数据转换过程，包括图像大小调整、转换为张量以及标准化transforms.Resize((224, 224)), # ResNet的输入图像大小transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), # 标准化])修改ResNet模型的最后几层，以便它能够处理新的分类任务定义用于训练模型的损失函数和优化器。

print(f'{path} size = {img.size}, 该图像预测类别为:', classes[pred])1 类别不均衡，有得种类图片2百多，有个只有10个不到；1 如何进行图片增强，图片增强应该注意什么（方向问题）；2 像素大小不同，导致有的图片很清晰，有的很模糊；2 模型大小如何进行选择；

BPE，字节对编码。

本文相熟了卷积神经网络CNN的原理，并介绍了如何使用PyTorch框架搭建卷积神经网络模型CNN。实现了LeNet-5的模型的搭建、模型训练、测试、网络的复用、直观查看数据集的图片预测结果等，完成了机器学习领域的Hello world——手写数字识别。

因此，我们将使用来自 Huggingface 的数据集，名为“Helsinki-NLP/opus-100”，它有 100 万对英语-马来语训练数据集，足以获得良好的准确性，并且在验证和测试数据集中各有 2000 个数据。：Feedfoward Network使用深度神经网络来学习两个线性层（第一层有d_model个节点，第二层有d_ff节点，根据注意论文分配的值）的所有特征，并将 ReLU 激活函数应用于第一线性层的输出，为嵌入值提供非线性，并应用 dropout 以进一步避免过拟合。

【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-05Softmax回归基础版。

如果nvidia-smi命令无效，则说明可能已经安装了cuda。