matplotlib可以实现画曲面/等高线/投影等.曲面可视化# 导入相关的库import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dn = 64x1 = np.linspace(-3,3,n)y1 = np.linspace(-3,3,n)x, y = np...

matplotlib是python中强大的可视化图像库，下面的代码是本人论文画图时的设置。import matplotlib.pyplot as pltimport numpy as npplt.figure()# 图片名称# plt.title('temp')bwith = 1.3 #边框宽度设置为2ax = plt.gca()#获取边框# ax.spines['top'].set_color(

kappa系数是统计学中度量一致性的指标, 值在[-1,1]. 对于评分系统, 一致性就是不同打分人平均的一致性; 对于分类问题，一致性就是模型预测结果和实际分类结果是否一致. kappa系数的计算是基于混淆矩阵, 取值为-1到1之间, 通常大于0.简单kappa下面的表格是真实类别和预测类别的混淆矩阵, 其中aija_{ij}aij​表示真实为iii预测为jjj的样本数量. NNN为样本总量.

pytorch默认使用单精度float32训练模型，原因在于：使用float16训练模型，模型效果会有损失，而使用double(float64)会有2倍的内存压力，且不会带来太多的精度提升。本人，最近遇到需要使用double数据类型训练模型的情况，具体实现需要把模型的权重参数数据类型和输入数据类型全部设置为torch.float64即可。可使用torch的一个函数，轻松地把模型参数转化为float

Vision Transformer在一些任务上超越了CNN，得益于全局信息的聚合。在ViT论文中，作者引入了一个cls_token作为分类特征。如果没有cls_token，我们使用哪个patch token做分类呢？根据自注意机制，每个patch token一定程度上聚合了全局信息，但是主要是自身特征。ViT论文还使用了所有token取平均的方式，这意味每个patch对预测的贡献相同，似乎不太合

kappa系数是统计学中度量一致性的指标, 值在[-1,1]. 对于评分系统, 一致性就是不同打分人平均的一致性; 对于分类问题，一致性就是模型预测结果和实际分类结果是否一致. kappa系数的计算是基于混淆矩阵, 取值为-1到1之间, 通常大于0.简单kappa下面的表格是真实类别和预测类别的混淆矩阵, 其中aija_{ij}aij​表示真实为iii预测为jjj的样本数量. NNN为样本总量.

最近在用Latex写论文，遇到了一个问题：给通讯作者加特殊字符，如数字或者星号。最后问师姐，才知道了解决方案，下面是加星号的一个例子。\documentclass[5p,twocolumn,10pt,times]{elsarticle}\usepackage{amsmath}\usepackage{hyperref}%\modulolinenumbers[5]\addtolength{\...

kappa系数是统计学中度量一致性的指标, 值在[-1,1]. 对于评分系统, 一致性就是不同打分人平均的一致性; 对于分类问题，一致性就是模型预测结果和实际分类结果是否一致. kappa系数的计算是基于混淆矩阵, 取值为-1到1之间, 通常大于0.简单kappa下面的表格是真实类别和预测类别的混淆矩阵, 其中aija_{ij}aij​表示真实为iii预测为jjj的样本数量. NNN为样本总量.