莫等

命令行安装： 1sudo apt-get install nginx 安装好的文件位置： 1234/usr/sbin/nginx：主程序/etc/nginx：存放配置文件/usr/share/nginx：存放静态文件/var/log/nginx：存放日志 查找Nginx启动文件路径 1find / -name nginx.conf 查询nginx进程 1ps -ef | grep nginx 重启nginx 1sudo nginx -s reload 查看是否能够访问： 1浏览器中填localhost 我的配置文件： 我的配置文件位置： 1/etc/nginx/conf.d/**.conf 我的静态网页的位置： 12/var/www/** html中加载的js之类的文件夹和index.html在一个文件夹中 配置文件内容： 123456789101112131415161718server { listen 80; server_name #你的网站IP或****.com; location /www1 { alias /var ...

2D卷积 3D卷积 2D反卷积

123456789101112131415161718192021project|-- node_modules|-- public |-- favicon.ico |-- index.html|-- src |-- assets # 存放各种静态文件,比如图片 |-- logo.png |-- components # 存放公共组件 |-- HelloWorld.vue |-- router # vue-router路由文件。需要引入src/views文件夹下的.vue，配置path、name、component。 |-- views # 用于存放我们写好的各种页面，比如Login.vue，Home.vue。 App.vue # 是主vue模块，主要是使用router-link引入其他模块，App.vue是项目的主组件，所有的页面都是在App.vue下切换的。 main.js ...

介绍该论文解决的问题： 没有源数据集，只有在源数据集上训练的模型，怎样进行迁移学习 如何判断某个target data为哪个class target data没有ground truth时，如何解决训练时发生分类偏移的情况 针对上面三个问题，论文提出了对应的解决方法 设计新的网络结构 设计APM模块对target data进行分类 设计Confidence-based filtering来制约 下面介绍根据这三个解决方法进行介绍 论文主要内容设计新的网络结构结构 这个网络主要有三部分：pre-trained model,trainable model和APMpre-trained model：在source data上预训练好的模型，在整个训练过程中不变trainable model：论文中要在target data上训练的模型，初始化时：APM：存放每个类别的代表样本，当有样本送到网络中时，与里面的代表样本计算距离，然后打分，打分高的类别就贴上对应的label 训练过程 初始化trainable model,参数Fs->Ft，Cs->Cs2t，Cs->Ct ...

前几天有个需求，写一个搜索栏，下面需要附上常用搜索的标签，然后发现Edge主页的样式很好看，于是便实现了一个类似的。Edge主页： 自己实现的： 实现布局整体的布局如下： 实现的时候，父组件：Search.vue，search-bar组件：SearchItem.vue，热点话题组件：SearchHot.vue 实现代码Search.vue123456789101112131415161718192021222324252627282930313233343536373839<template> <div class="box"> <div class="searchBox"> <search-item></search-item> </div> <div class="searchBox"> <SearchH ...

用到的函数 判断矩阵是否全为或者含有某元素 1234567891011>>> a2array([[0, 2, 3, 4], [2, 3, 4, 5], [3, 4, 5, 6], [4, 5, 6, 7]])#判断矩阵中是否有0元素>>> np.any(a2 == 0)True#判断是否是0矩阵>>> np.all(a2 == 0)False python打乱list中元素顺序 123import randoma = [1,2,3,4,5]random.shuffle(a) 对文件重命名 1os.rename(oldname,newname) 删除list1中所有在list2中的元素 1return [x for x in list1 if x not in list2]

待实现……

下面是已经阅读的代码： Unet实现多期相肝脏肿瘤分割 Unet实现多期相肝脏肿瘤检测数据加载 np.transpose()使用PIL的Image.open()打开图片，得到的格式是HWC，不能直接使用，需要转换为CHW格式。其中C:channel通道，如：RGB通道；W图片的宽度；H图片的高度。 12img = Image.open(img_path)img_sample = np.transpose(np.asarray(img,np.float32)/255.0,[2,0,1]) # HWC ==> CHW np.asarray()将Image得到的数据转为numpy的数组形式 数据预处理 图片归一化上面使用/255.0进行归一化，归一化不会改变图像本身的信息存储，对于后续的神经网络或者卷积神经网络处理有很大的好处。尤其对于医学图像处理，可以抵抗几何变换的攻击，通过归一化减小医学图片由于光线不均匀造成的干扰。 图像裁剪图像作为numpy的数组后，可以直接对数组进行裁剪来获得裁剪后的图像数据。 1img = img[2:10,2:10] 图像旋转 12np ...

这几天进入实验室后，开始阅读实验室学姐的一份代码。刚到手的时候像一个烫手的山芋，不知道从哪里下手，而将整个项目的代码阅读完之后，发现在这个过程中能学到很多东西。于是便想将整个过程记录下来，便于学习。 在阅读前不能傻乎乎的埋头就开始一行一行读。首先应该先对代码进行分块。粗略的说，可以分成四块： 数据加载和预处理 神经网络实现 训练网络 其他(工具,配置文件,过程记录等) 数据加载和预处理训练神经网络最重要的就是数据。数据预处理包括下面几点： 实现一个Dataset加载自己的数据为了使用DataLoader加载数据。我们需要自己实现一个Dataset对数据处理。对数据的一些预处理，如：裁剪、拉伸、旋转、镜像等处理，都是在这个模块中实现。在看这个模块的时候主要看下面几个函数： __init__(self,prams)：初始化函数，prams是用户自己传入的参数，像文件路径啊，裁剪时图片的大小呀之类的。主要是对用到的变量初始化。 __getitem__(self, index)：DataLoader通过调用Dataset的这个函数来读取数据，其中index是指调用哪个数据。一般在这个函 ...

最近使用实验室的服务器跑代码，这里记录使用过程中用到的一些指令持续更新，有用到的指令或者方法都会放到这里 进程相关12345ps -aux #查看进程号ps -aux | more #全部查看ps -ef | grep mysql #查看mysql的进程ps -eo pid,lstart,etime | grep 3306 # 查看3306启动时间和运行时间kill 3306 #杀掉进程号3306 添加 grep是为了根据关键字过滤 123ps -aux | grep username # 查看用户username的进程信息ps -aux | grep nvidia # 查看程序 nvidia的进程信息ps -aux | grep terminal # 查看terminal 的进程信息 显卡相关1nvidia-smi # 查看显卡信息 文件传输下载从服务器向本地下载12345# 从服务器下载文件到本地中scp username@servername:/path/filename /loc ...