生物医学深度学习实战

【发表案例】JCR1区计算机测量类SCI，仅3个月录用

一、期刊简介★【期刊简介】IF：3.5-4.0，JCR1区,中科院2区★【版面】SCI&EI在检，正刊★【录用周期】3-5个月左右录用★【现有专题方向】智能测量/生物医学传感器和仪器二、录用周期仅3个月
WangUnionpub·2022-11-22 10:02

WMT 2022国际机器翻译大赛发榜，微信翻译斩获三项任务冠军

其中，微信翻译团队在对话翻译和生物医学领域翻译的激烈竞争中脱颖而出，斩获三项冠军，分别是对话翻译比赛的英德和德英翻译冠军，以及生物医学领域翻译比赛中的中英翻译冠军。
AI科技大本营·2022-11-22 06:03

深度学习实战11(进阶版)-BERT模型的微调应用-文本分类案例

文章目录一、前期工作导入库包导入数据二、模型加载三、模型训练四、模型测试大家好，我是微学AI，今天给大家带来一个基于BERT模型做文本分类的实战案例，在BERT模型基础上做微调，训练自己的数据集，相信之前大家很多都是套用别人的模型直接训练，或者直接用于预训练模型进行预测，没有训练和微调过大模型，因为像BERT这种大模型一般人是训练不了的，我们只能在大模型的基础上进行微调，或者做下游任务改造。下面来
微学AI·2022-11-22 03:49

深度学习实战12(进阶版)-利用Dewarp实现文本扭曲矫正

大家好，我是微学A1,我们在生活中会看到一些拍摄扭曲的图片，我们在通过OCR识别的时候，因为扭曲的厉害，而无法识别，我们需要对图片进行处理。文件图像的变形有扭曲、折叠、褶皱、透视等多种情况，解决方案可以分为参数化方法和非参数化方法。参数化方法构建只能处理简单场景的低维度的数学模型。在非参数方法中，通常需要创建一对数据集。假设文档变形用低维参数化模型表示，不能处理失真情况，不能处理折叠变形。参数模型
微学AI·2022-11-22 03:49

深度学习实战3-文本卷积神经网络（TextCNN）新闻文本分类

文章目录一、前期工作1.设置GPU2.导入预处理词库类二、导入预处理词库类三、参数设定四、创建模型五、训练模型函数六、测试模型函数七、训练模型与预测今天给大家带来一个简单的中文新闻分类模型，利用TextCNN模型进行训练，TextCNN的主要流程是：获取文本的局部特征：通过不同的卷积核尺寸来提取文本的N-Gram信息，然后通过最大池化操作来突出各个卷积操作提取的最关键信息，拼接后通过全连接层对特征
微学AI·2022-11-22 03:18

深度学习实战5-卷积神经网络（CNN）中文OCR识别项目

文章目录一、前期工作导入库图片生成函数导入数据生成数据集函数二、CNN模型建立三、训练模型函数四、训练模型与结果五、验证大家好，我是微学AI，今天给大家带来一个利用卷积神经网络（CNN）进行中文OCR识别，实现自己的一个OCR识别工具。一个OCR识别系统，其目的很简单，只是要把影像作一个转换，使影像内的图形继续保存、有表格则表格内资料及影像内的文字，一律变成计算机文字，使能达到影像资料的储存量减少
微学AI·2022-11-22 03:18

【深度学习实战】一、Numpy手撸神经网络实现线性回归

目录一、引言二、代码实战1、Tensor和初始化类2、全连接层3、模型组网4、SGD优化器5、均方差损失函数6、Dataset三、线性回归实战四、实验结果五、总结一、引言深度学习理论相对简单，但是深度学习框架（tensorflow/torch/paddlepaddle）源码却比较复杂，对于初学者来说，将代码和理论相结合理解是一个巨大的问题，本文的目标是使用python的numpy库从零开始实现一个
嘟嘟太菜了·2022-11-22 03:12

《Web安全之深度学习实战》笔记：第六章 垃圾邮件识别

本小节使用Enron-Spam数据集来识别垃圾邮件，通过多种方法处理数据集，同时使用多种机器学习的方法来识别垃圾邮件。一、数据集介绍垃圾邮件对于企业邮箱用户的影响主要是给日常办公和邮箱管理者带来额外负担，尤其是钓鱼邮件更是有可能导致企业遭受巨大损失。根据不完全统计，在高效的反垃圾环境下依旧有80%的用户每周需要耗费10分钟左右的时间处理这些垃圾邮件。对于企业邮件服务商而言，垃圾邮件大量占用网络资源
mooyuan·2022-11-22 03:11

深度学习实战10-数学公式识别-将图片转换为Latex(img2Latex)

大家好，我是微学AI，今天给大家带来一个关于数学公式识别的实战案例，解决大家在写论文中遇到很多latex输入的问题，而且可以无限次识别哦，因为是代码实现，不用调用外部API.以前我们知道一个latex识别网页，latex识别网页神器：https://snip.mathpix.com/，但是这个识别是有次数限制的，我们如果需要大量的识别的话，这个是不适用的。这个功能识别效果准确率达98%，每个月可识
微学AI·2022-11-22 03:32

卷积神经网络 - CNN 用一维心电图信号说明

介绍生物医学信号在研究和数据科学领域始终发挥着重要作用。就卷积神经网络(CNN)而言，这种特殊算法在定义深度学习(DL)等最复杂和最高级算法的架构方面发挥着重要作用。
woshicver·2022-11-22 03:52

pytorch深度学习实战lesson15

第十五课数值稳定性、模型初始化和激活函数目录理论部分数值的稳定性稳定训练实践部分理论部分数值的稳定性神经网络的梯度计算：其本质来讲是一堆矩阵的乘法，因为向量对向量求导是矩阵。如下图所示：数值稳定性常见的两个问题：1、梯度爆炸；2、梯度消失。1、梯队爆炸如果梯度的值比1大一些的话，比如1.5，那么对于一个100层的网络来说，1.5的100次幂是约等于4*1017的。这就会引起梯度爆炸。2、梯度消失如
光·宇·2022-11-22 00:54

pytorch深度学习实战lesson23

第二十三课AlexNetAlexNet是在2012年被发表的一个金典之作，并在当年取得了ImageNet最好成绩，也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet.其官方提供的数据模型，准确率达到57.1%,top1-5达到80.2%.这项对于传统的机器学习分类算法而言，已经相当的出色。目录理论部分实践部分理论部分机器学习在2000年初期最主流的算法是核方法。其
光·宇·2022-11-22 00:54

pytorch深度学习实战lesson12

第十二课模型选择与过/欠拟合目录理论部分模型选择过拟合和欠拟合实践部分理论部分模型选择首先介绍一下如何选择超参数从一个简单的例子开始：《预测谁会偿还贷款》背景：然后你惊讶的发现：（在美国，穿蓝色衬衫有个隐藏信息——蓝领）这里的问题就是：面试本来穿的蓝色衣服，结果下次见面穿了红色衣服，这两种模型就不一样了，也就是说，模型会认为一个人前后穿了两种颜色的衣服后，它会认为这也是两个人。这个肯定就不对了。所
光·宇·2022-11-22 00:24

pytorch深度学习实战lesson13

第十三课权重衰退目录理论部分实践部分从零开始：简洁实现：理论部分权重衰退是一种常见的处理过拟合的方法。之前讲过控制模型容量的方法是：1、把模型变小点，这样参数就少；2、让每个参数值的可选范围小一些。那么权重衰退就是上述的第二种方法。相比于“使用均方范数作为硬性限制”，其实最常用的是“使用均方范数作为柔性限制”。上面的公式没有约束条件了λ控制着正则项的重要程度，当λ为零时，正则项也就是0了，也就是说
光·宇·2022-11-22 00:24

pytorch深度学习实战lesson14

第十四课丢弃法（Dropout）目录理论部分实践部分从零开始实现：简洁实现：理论部分这节课很重要，因为沐神说这个丢弃法比上节课的权重衰退效果更好！为什么期望没变？如上图所示，使用dropout后，是将隐藏层的的某几个神经元变成零，然后没有变成0的神经元会相应增大以保证总的期望不变。当然保留和置零的神经元不是一定的。这个是训练才会使用，测试的时候不用。实践部分从零开始实现：代码：#我们实现dropo
光·宇·2022-11-22 00:24

pytorch深度学习实战lesson11

第十一课感知机你太美目录理论部分感知机60年代的算法现代感知机算法感知机的问题：多层感知机单隐藏层的多层感知机（单分类）激活函数的选择实践部分从零开始：简洁实现：上图所示是60年的感知机，可以看到每一个权重都有一根线去传输，可见其工作量之大！现如今肯定有更简洁的方法去实现感知机了，下面让我们和沐神来学一下感知机的原理和设计方法把！！！理论部分感知机感知机和线性回归比：他们的相同点是都有一个输出，但
光·宇·2022-11-22 00:23

pytorch深度学习实战lesson10

第十课Softmax回归目录第十课Softmax回归理论部分Softmax回归损失函数1、均方损失2、绝对值损失函数3、哈勃鲁棒损失函数实践部分一、图像分类数据集的读取及其它操作二、softmax回归从零开始实现三、softmax简洁实现理论部分Softmax回归它其实是个分类问题。回归与分类的区别：回归其实是估计一个连续值；而分类是预测一个离散类别。分类举例：从回归如何过渡到分类？1、对类别进行
光·宇·2022-11-22 00:53

pytorch深度学习实战lesson22

第二十二课LeNetLeNet神经网络由深度学习三巨头之一的YanLeCun提出，他同时也是卷积神经网络(CNN，ConvolutionalNeuralNetworks)之父。LeNet主要用来进行手写字符的识别与分类，并在美国的银行中投入了使用。LeNet的实现确立了CNN的结构，现在神经网络中的许多内容在LeNet的网络结构中都能看到，例如卷积层，Pooling层，ReLU层。虽然LeNet早
光·宇·2022-11-21 23:29

《预训练周刊》第30期：谷歌首次展示新版语言模型BERT，参数达4810亿个

最后，在资源推荐方面，我们选择了1篇预训练资源，将介绍生物医学实验方面的一些最新资源。本期贡献者：申德周翟珂吴新刚文章来源：智源社区论文推荐标题：伊利诺伊大学、微
AMiner学术搜索和科技情报挖掘·2022-11-21 22:01

带临床数据的热图 -- 给样品添加TNM分期、年龄、性别、riskscore等信息

聚类热图是生物医学论文中最常见的一类图。
余丁，微生信·2022-11-21 14:26

AI绘画提示词创作指南：DALL·E 2、Midjourney和 Stable Diffusion最全大比拼

作者：韩信子@ShowMeAI深度学习实战系列：https://www.showmeai.tech/tutorials/42自然语言处理实战系列：https://www.showmeai.tech/tutorials
ShowMeAI·2022-11-21 08:15

2018Python OpenCV视频教程计算机视觉图像识别从基础到深度学习实战目前最新

课程目录：├─day1│1.环境搭建│2.beego框架的分析│3.简单的路由设置│4.正则路由设置│5.路由设置│6.orm环境搭建│7.orm的插入和查找│8.删除和更新│9.多级查询│├─day2│1.昨天回顾及静态资源路径设置│10.错误码文件│11.session设置│12.删除Sesssion│2.开发环境搭建│3.路径的截取│4.创建数据库│5.导入area数据│6.显示area数据
weixin_43900594·2022-11-21 01:58

2019最新《Python OpenCV教程计算机视觉图像识别从基础到深度学习实战教程 》

课程目录：├─day1│1.环境搭建│2.beego框架的分析│3.简单的路由设置│4.正则路由设置│5.路由设置│6.orm环境搭建│7.orm的插入和查找│8.删除和更新│9.多级查询│├─day2│1.昨天回顾及静态资源路径设置│10.错误码文件│11.session设置│12.删除Sesssion│2.开发环境搭建│3.路径的截取│4.创建数据库│5.导入area数据│6.显示area数据
guansd·2022-11-21 01:47

学习笔记(01):Fast.ai 深度学习实战课程「中文字幕」-Fast.ai 深度学习实战课程第0课...

立即学习:https://edu.csdn.net/course/play/5192/94130?utm_source=blogtoedu学习了
lyhk21·2022-11-20 22:53

Fast.ai 深度学习实战课程「中文字幕」

1、Fast.ai深度学习实战课程「中文字幕」--深度学习视频教程-人工智能-CSDN程序员研修院2、介绍：fastai是一个pytorch的高级封装库，安装非常简单，安装完pytorch以后，再使用pipinstallfastai-ihttps
javastart·2022-11-20 22:17

pytorch深度学习实战lesson21

第二十一课卷积神经网络之池化层卷积神经网络的一个重要概念就是池化层，一般是在卷积层之后。池化层对输入做降采样，常用的池化做法是对每个滤波器的输出求最大值，平均值，中位数等。下面我们和沐神详细学习一下池化层的原理与实现方法吧！目录理论部分实践部分理论部分下面举一个老的例子。对于X矩阵，卷积层可以很容易得把1-0的边缘检测处来，也就是说，卷积对位置信息十分的敏感。但是仔细想想，这貌似也不是啥好东西，因
光·宇·2022-11-20 12:14

008CHB-MIT脑电图数据库对儿童癫痫发作自动检测的调查-2021

AutomatedEpilepticSeizureDetectioninPediatricSubjectsofCHB-MITEEGDatabase—ASurvey本文通过分析脑电图信号，重点介绍了儿童癫痫发作的计算机辅助诊断中涉及的各种患者依赖和患者独立的个性化医疗方法，从而总结了现有的知识体系，为生物医学工程师开辟了一个巨大的研究领域
爱吃榴莲的妹妹·2022-11-20 11:28

umap算法_生命科学中的 UMAP（降维算法）

这是《生命科学的数理统计和机器学习》的相关探讨，我试图介绍生物信息学、生物医学、遗传学等常见的分析技术。今天，我们将深入探讨一种令人兴奋的降维技术，称为UMAP，它主导了当今的单细胞基因组学。
张个个·2022-11-20 09:53

深度学习实战之MINIST数据集

目录1.数据介绍2.关于类和标签的说明3.数据类型说明4.模型训练1.数据介绍来看一个具体的神经网络示例，使用Python的Keras库来学习手写数字分类。这里要解决的问题是，将手写数字的灰度图像（28像素×28像素）划分到10个类别中（0~9）。我们将使用MNIST数据集，它是机器学习领域的一个经典数据集。这个数据集包含60000张训练图像和10000张测试图像，由美国国家标准与技术研究院（Na
赵孝正·2022-11-20 07:46

生物信息学|DeepPurpose:药物靶标相互作用预测的深度学习库

然而，这些模型对于进入生物医学领域的计算机科学家和缺乏DL经验的生物信息学家来说都很难使用。我们提出了DeepPurpo
ShenggengLin·2022-11-20 03:00

那些年，我了解过的医疗器械（偏影像方向）公司 （2017.03.24 Updating...）

如果算上研究生期间攻读生物医学工程硕士的那三年（2010.092013.07），我在医疗器械行业工作也满6年了。
inter_peng·2022-11-19 20:38

【2015-MICCAI】U-Net: Convolutional Networks for Biomedical Image Segmentation

PaperCode总结创新点：1.面向生物医学领域有很好的性能2.在FCN基础上改进并发展不足：分析：保留大量通道，信息叠加，对称反卷积和卷积结论：SOTA、end-to-end、pixels-to-pixels1
PRSer_Carrot·2022-11-19 19:50

pytorch深度学习实战lesson20

第二十课卷积层的多输入和多输出通道目录理论部分多输入通道多输出通道实践部分理论部分多输入通道假设图片大小是200*200的话，那么用张量表示这个图片的话就是200*200*3，因为彩色图片是由红、绿、蓝三个通道构成的，因此表示一个彩色图片的时候要将这三原色的信息也给表示出来。那么舒润有多个通道的话要怎么计算呢？多通道的话就是每个通道都做次卷积，卷积核的维度是一样的，但是数值不一定是一样的。每个通道
光·宇·2022-11-19 13:20

当AI遇到生物医学影像——西湖大学 AI&BioMed Lab 诚聘英才

自己所在的实验室诚聘英才，对AI+生物医学影像感兴趣的小伙伴们赶快来看一下吧~具体工作地点:杭州市西湖区石龙山街18号西湖大学薪金:根据面试决定学历和研究方向:计算机及相关专业招聘岗位:科研助理公司名称
do.ris·2022-11-19 11:51

U-Net听课笔记

目录前言1.模型的特点2.模型结构3.思考与分析3.1边缘数据缺失3.2损失函数和权重划分参考前言U-Net是一篇2015年针对生物医学影像分割提出的论文，采用Encoder-Decoder的结构，是当时较早采用全卷积网络进行语义分割的算法之一
八十八岁扶墙敲码·2022-11-19 10:30

深度学习实战 3 数据集处理

目录1.Json格式的数据集标签转化为有效的txt格式2.数据集划分3.数据集标注4.一些数据集1.Json格式的数据集标签转化为有效的txt格式#处理同一个数据集下多个json文件时，仅运行一次class_txt即可#或者更改对应文件夹名称importjsonimportos"存储标签与预测框到txt文件中"defjson_txt(json_path,txt_path):"json_path:需
李同学_道阻且行·2022-11-19 01:08

深度学习实战 Pycharm 代码调试报错集合

目录0.Pycharm安装1.YOLO5pipinstall-rrequirements.txt安装在pycharm上安装失败1.1找不到文件1.2提示网络连不上（类似下图），换用清华镜像1.3提示编码错误（如图）2pycocotools安装报错解决2.1在线安装：2.2pycococtools的安装包3其他报错4python读取文件时，抛异常：5.Inputtype(torch.FloatTen
李同学_道阻且行·2022-11-19 01:07

深度学习实战 2 YOLOv5 添加CBAM、CA注意力机制

YOLOv5结合注意力机制有两种策略：注意力机制结合Bottleneck，替换backbone中的所有C3模块在backbone单独加入注意力模块1.CBAM论文《CBAM:ConvolutionalBlockAttentionModule》：https://arxiv.org/pdf/1807.06521.pdf核心算法是：通道注意力模块（ChannelAttentionModule，CAM)+
李同学_道阻且行·2022-11-19 01:07

深度学习实战 1 YOLOv5结合BiFPN

目录1.BiFPN论文简介2.在Common.py中添加定义模块(Concat)3.将类名加入进去，修改yolo.py4.修改train.py5.修改配置文件yolov5.yaml1.BiFPN论文简介论文《EfficientDet:ScalableandEfficientObjectDetection》地址：https://arxiv.org/abs/1911.09070BiFPN全称Bidir
李同学_道阻且行·2022-11-19 00:55

pytorch深度学习实战lesson18

第十八课卷积层卷积是深度学习最重要的概念之一，下面来学习和回顾一下卷积的基本概念。目录理论部分从全连接层到卷积层卷积层实践部分理论部分从全连接层到卷积层还是从一个例子开始：假设我要对猫和狗进行分类。假设我用一千二百万像素的手机拍照，排成的图片是RGB图片（有3个通道），RGB图像有三千六百万个元素。假设用隐藏层大小为100的mlp进行训练的话，这个模型就要有36亿个参数，远远多于世界上猫狗的总量了
光·宇·2022-11-18 08:01

pytorch深度学习实战lesson16

第十六课神经网络基础本节课主要是从实践代码的角度看神经网络的各个结构，以及各个结构的实现方法。虽然没有太多理论，但是精华都在代码的注释中~目录模型构造（层和块）参数管理自定义层读写文件模型构造（层和块）#层和块#首先，我们回顾一下多层感知机importtorchfromtorchimportnnfromtorch.nnimportfunctionalasF#一些函数#单层神经网络=线性层+relu
光·宇·2022-11-18 08:00

pytorch深度学习实战lesson17

第十七课GPUisalluneed可以在终端输入nvidia-smi来看自己的显卡信息。然后就是关于GPU的一些操作。这里要提醒的一点就是，程序的计算一定要选好是使用GPU进行计算还是使用CPU，因为本来CPU往GPU传输数据的时间就长，所以假如你没有设置好计算的设备，或者设置乱了的话，就会导致你设置出来的东西性能没有那么好。所以要三思。#计算设备importtorchfromtorchimpor
光·宇·2022-11-18 08:00

pytorch深度学习实战

3.4命名张量einsum方法详解（爱因斯坦求和）einsum是pytorch、numpy中一个十分优雅的方法，如果利用得当，可完全代替所有其他的矩阵计算方法，不过这需要一定的学习成本。本文旨在详细解读einsum方法的原理，并给出一些基本示例。一、爱因斯坦求和爱因斯坦求和是一种对求和公式简洁高效的记法，其原则是当变量下标重复出现时，即可省略繁琐的求和符号。比如求和公式：其中变量a与变量b的下标是
shuaiqidexiaojiejie·2022-11-18 08:29

Pytorch深度学习实战（二之课后作业）

Pytorch深度学习实战（二之课后作业）刘二大人:视频连接importnumpyasnpimportmatplotlib.pyplotaspltfrommpl_toolkits.mplot3dimportAxes3Dimportwarnings
学习砖家·2022-11-18 08:58

PyTorch深度学习实战：从新手小白到数据科学家电子书

作者：张敏著出版社:电子工业出版社ISBN：9787121388293出版时间:2020-08-01PyTorch深度学习实战：从新手小白到数据科学家
普通网友·2022-11-18 08:57

pytorch深度学习实战19

第十九课卷积层的填充和步幅目录理论部分实践部分理论部分首先看一下卷积层的填充。上图所示的情况会有个问题，如果卷积核不变的话（一直是5*5的卷积核），那么我的网络最多也就只能弄到第七层了，如果我想搭建更深的网络的话是不被允许的。那么填充就是可以解决这个问题。填充的基本思想是在输入的四周添加0元素，以达到输出比之前更大的目的。填充的行数和列数的选取是有讲究的，如下图所示，填充完毕后它的输出与填充之前的
光·宇·2022-11-18 08:56

一文了解深度学习实战——预测篇

本文将从四个案例房价预测、泰坦尼克号生还预测、股票预测、影评情感预测入手，让童鞋们从实战角度快速入门深度学习的预测部分！目录房价预测基于决策树回归器（DecisionTreeRegressor）基于Keras泰坦尼克号生还预测基于Sklearn基于Keras股票预测影评的情感分析基于TensorFlow基于Keras房价预测基于决策树回归器（DecisionTreeRegressor）数据文件在这
全栈O-Jay·2022-11-17 17:53

《Web安全之深度学习实战》笔记：第十一章 Webshell检测

本小节通过机器学习算法来识别webshell，较新的知识点是opcode。一、webshellWebShell就是以ASP、PHP、JSP或者CGI等网页文件形式存在的一种命令执行环境，也可以将其称为一种网页后门。黑客在入侵了一个网站后，通常会将ASP或PHP后门文件与网站服务器Web目录下正常的网页文件混在一起，然后就可以使用浏览器来访问ASP或者PHP后门，得到一个命令执行环境，以达到控制网站
mooyuan·2022-11-17 17:47

Keras深度学习实战（36）——基于编码器-解码器的机器翻译模型

Keras深度学习实战（36）——基于编码器-解码器的机器翻译模型0.前言1.模型与数据集分析1.1数据集分析1.2模型分析2.基于编码器-解码器结构的机器翻译模型2.1基于编码器-解码器体系结构2.2
盼小辉丶·2022-11-16 10:07

使用深度学习的图像分割（综述）

解码器和自动编码器模型2.4生成式对抗性网络（GANs）3.基于DL的图像分割模型3.1全卷积网络3.2具有图形模型的卷积模型3.3基于编码解码器的模型3.3.1用于一般分割的编码器-解码器模型3.3.2医学和生物医学图像分割的编码器
CF996a·2022-11-14 11:59
上一页 13 14 15 16 17 18 19 20 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他