来自 B 站刘二大人的《PyTorch深度学习实践》P10 的学习笔记之前的由线性层组成的全连接网络是深度学习常用的分类器，由于全连接的特性，网络提取的特征未免冗余或者抓不住重点，比如像素的相对空间位置会被忽略。所以，在全连接层前面加入特征提取器是十分有必要的，卷积神经网络就是最好的特征提取器。CNN关于卷积神经网络的输入输出特征图，以及多通道多批量的特征处理，参考：卷积神经网络的输入输出特征图大

来自 B 站刘二大人的《PyTorch深度学习实践》P12 的学习笔记RNN Cell循环神经网络的隐藏层可以说都是线性层（Linear），由于它主要用于预测有前后关系的序列输入，所以它像斐波那契数列一样，后一次循环要输入前一次的输出，即，递归地求出下一次输出，故弹幕里有不少人称之为递归神经网络。下图中的左边就是一层 RNN 的隐藏层，右边是它运行的过程（RNN Cell 一直是同一个，只是可视化

来自 B 站刘二大人的《PyTorch深度学习实践》P11 的学习笔记GoogLeNet1×1 卷积上一篇我们知道，卷积的个数取决于输入图像的通道数。1×1 卷积能起到特征融合、改变通道数和减少计算量的效果，被称为神经网络中的神经网络例如，我们先通过 1×1 卷积减少了通道的数量，让大的卷积核计算更少的通道数，能大大减少计算量：Inception ModuleInception（盗梦空间） Mod

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuro

1.5b 模型，4GB显存就能跑。7b、8b 模型，8GB显存就能跑。14b 模型，12GB显存能跑。32b 模型，24GB显存能跑。提供 Web UI，需要 Ollama 在后台运行。Ollama提供本地模型运行服务。

torchvision.models 里面有很多已经训练好的经典网络，我们做迁移学习的时候可以使用这些预训练的神经网络的卷积部分做特征提取器，训练时，只需迭代更新最后的全连接层，即分类器。一、首先从 torchvision.models 白嫖一个预训练好的 AlexNet：from torchvision import modelsalexnet = models.alexnet(pretrain

1.5b 模型，4GB显存就能跑。7b、8b 模型，8GB显存就能跑。14b 模型，12GB显存能跑。32b 模型，24GB显存能跑。提供 Web UI，需要 Ollama 在后台运行。Ollama提供本地模型运行服务。

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuro

❤️❤️❤️ c3d 是一个免费的、强大到无以复加的 3D 图像处理工具，它尤其在深度学习医学图像研究和应用中能发挥出无与伦比的生产力 —— 我 ????我将以 Pancreas-CT 数据集及其标签为例，简要介绍 c3d 处理 dicom 格式 3D 图像（dicom 转成 nii）、Nifti 格式 3D 图像的常用功能下载安装 c3d 和 ITK-SNAP官网下载地址：http://www.

转载自：【论文笔记】VoxelMorph-无监督医学图像配准模型本文是无监督的医学图像配准模型——VoxelMorph 的论文笔记。变形配准（Deformable registration）策略通常包括两步：第一步是可实现全局对齐的仿射变形，然后是具有自由度更高的更缓慢变形变换。本文主要是关心第二步。一、记号fff 和 mmm 分别表示 fixed image 和 moving image，ϕ\p