发表日期：2023年10月。

在过去的二十年中，医学成像已广泛应用于诊断疾病。由于缺乏该领域的信息，医学专家仍然难以用单一模式诊断疾病。图像融合可用于将特定器官的图像与来自各种医学成像系统的疾病合并。解剖学和生理学数据可能包含在多模态图像融合中，使诊断更加简单。寻找具有融合质量评估的最佳多模态医学数据库来评估推荐的图像融合方法是一项艰巨的挑战。因此，本文提供了多模式医学图像融合方法、数据库和质量测量的完整概述。在本文中，提供了

fit_generator浅析及完整实例为什么要用fit_generatorfit_generator的参数实例解析1.第一步 下载数据，加载相关库2.第二步 设置路径和图片的形状大小3.第三步 读取所有图片数据4.第四步 打乱样本，转化标签5.第五步 划分训练集，验证集6.第六步 编写迭代器/生成器（重点）7.第七步 构建数据增强函数8.第八步 网络构建9.第九步 模型训练10.第十步 评估训练

FixMatch代码详解-训练过程参数数据产生构建模型训练参数设置weight decay（权值衰减）学习率衰减（learning rate decay）指数移动平均（EMA）model训练过程运行结果上一篇大概讲了数据加载的过程，这一篇更进一步，分析一下训练是怎样进行的上一篇链接： [pytorch]FixMatch代码详解-数据加载参数所有的参数我都默认使用作者给出的例子：python tra

医学图像 + 文本数据 多模态模型发展及预训练模型应用

[pytorch] MedMNIST 3D医学数据分类MedMNIST数据集

（新手向）从零开始使用Colab进行机器/深度学习详细教程什么是Colab如何使用ColabColab的几种使用方式像Jupyter Notebook一样使用如何使用GPU加速如何使用Colab跑我们的程序疫情期间只能在家实习，用笔记本做简单的机器学习还能勉强凑合，深度学习随便训练个模型要跑几天几夜。不过如果我们使用Google Colab的GPU资源，什么电脑都可以玩深度学习啦！什么是Col..

（新手向）从零开始使用Colab进行机器/深度学习详细教程什么是Colab如何使用ColabColab的几种使用方式像Jupyter Notebook一样使用如何使用GPU加速如何使用Colab跑我们的程序疫情期间只能在家实习，用笔记本做简单的机器学习还能勉强凑合，深度学习随便训练个模型要跑几天几夜。不过如果我们使用Google Colab的GPU资源，什么电脑都可以玩深度学习啦！什么是Col..