我们经常用参数量和浮点计算数FLOPs来衡量卷积网络的复杂度。下面推导其公式并在pytorch中实现，以二维卷积Conv2d为例。

在机器学习和深度学习领域，特征往往是高维度的，然而不幸的是，我们的电脑屏幕是二维的，我们的人眼也只能观察最多三维，所以必须对特征进行降维之后才能可视化。

本文详细分析了mixup方法及原理，并介绍了mixup后续的多种改进方法。

  为了节省显存（内存），pytorch在计算过程中不保存中间变量，包括中间层的特征图和非叶子张量的梯度等。有时对网络进行分析时需要查看或修改这些中间变量，此时就需要注册一个钩子（hook）来导出需要的中间变量。网上介绍这个的有不少，但我看了一圈，多少都有不准确或不易懂的地方，我这里再系统总结一下。hook方法有四种:torch.Tensor.register_hook()torch.nn.Mod

在搭配深度学习多个卷积层时我们经常要计算卷积层的输出张量的尺寸大小，可以用如下公式计算：1, 公式卷积层输出尺寸： o = ⌊(i + 2p - k) / s⌋ + 1式中，i:输入尺寸；o:输出尺寸；p:padding；k: kernel_size；s: stride。⌊…⌋表示向下取整。2, 推导过程这个公式不用死记，下面我用非常便于理解的方法描述这个推导。卷积就是对相邻的一片数据进行加权求和

本文使用numpy和pytorch分别操作，对图像进行fft变换和ifft变换，以实现图像的频域分析。pytorch的fft功能在1.7.1版之后才完善，支持CUDA和autograd，可以加入到神经网络中实现一些有趣的操作。

Manifold Mixup和PatchUp是对mixup数据增强算法的两种改进方法，作者都来自Yoshua Bengio团队。这两种方法都是mixup方法在中间隐层的推广，因此原文开源代码都需要对网络各层的内部代码进行修改，使用起来并不方便，不能做到即插即用。我用pytorch中的钩子方法(hook)对这两个方法进行重新实现，这样就可以实现即插即用，方便的应用到各种网络结构中，而且我实现的代码比

Unet是一种自编码器网络结构，用于图像分割任务，比如眼底图像血管分割。这位大佬已经开源了非常棒的该任务代码，但是代码比较复杂，我初学菜鸟硬是啃了好几天才啃下来。我把代码重写了一遍，仅保留最必要的代码，并尽量简明，便于初学者快速看懂能用。之后基于该代码进行了一些简单的调参试验，以便于更深入的理解Unet网络原理。1.任务简介首先还是简介一下，本任务基于DRIVE数据集，将眼底图像中的血管树给分..

文章目录前言一、参赛经过二、深度学习技术在心电图智能分析中的应用三、机器学习技术在心电图智能分析中的应用1.引入库2.读入数据四、结果及讨论前言  2019年夏天我参加了清华大学主办的首届中国心电智能大赛，获得复赛第1，决赛第6；后来趁热打铁，又参加了天池平台上的合肥高新杯心电人机智能大赛，获得初赛第2，决赛第9。这两个比赛已经过去一年多时间了，现在经过一定时间的沉淀，可能认识更加深刻一些，就想写

本文使用numpy和pytorch分别操作，对图像进行fft变换和ifft变换，以实现图像的频域分析。pytorch的fft功能在1.7.1版之后才完善，支持CUDA和autograd，可以加入到神经网络中实现一些有趣的操作。