DenseNet作为另一种拥有较深层数的卷积神经网络,具有如下优点:(1) 相比ResNet拥有更少的参数数量.(2) 旁路加强了特征(feature)的重用.(3) 网络更易于训练,并具有一定的正则效果.(4) 缓解了gradient vanishing(梯度消失)和model degradation(模型退化)的问题梯度消失问题在网络深度越深的时候越容易出现，原因就是输入信息和梯度信...

在阅读代码的时候就看到了padding和stride两个单词，来深度学习课程详细了解一下他们的作用。填充和步幅是卷积层的两个超参数，通过他们可以改变输出形状。（一）填充padding填充是指在输入的四周添加0元素。比如原输入数组形状是Nh×Nw，卷积核形状是Kh×Kw，那么原输出数组形状就是（Nh-Kh+1）×（Nw-Kw+1）。如果我们对输入数组进行填充高加Ph，宽加Pw，那么新的输出...

Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network吴恩达2019心律失常分类论文，使用DNN证明了端到端的深度学习方法可以对来自单导联心电图的各种明显的心律不齐进行分类，具有与心脏病专家类似的高诊断性能。

摘要理解：锥形束CT（CBCT）通过减少减少X射线管阴极电流可以减少对患者的辐射，但是这样重建出来的图像的质量会变差。因此，如何提高低剂量CBCT重建图像的质量是一个值得研究的课题。传统的统计迭代重建法通过设计不同的正则项来重建，TV正则项（全变分）能保护边缘和去燥，但是会产生阶梯效应；而hessian正则项在抑制阶梯时会让边缘模糊化。本文是利用深度学习学习潜在的正则项，提出来一种基于卷积神经网.

使用多通道可以拓展卷积层的模型参数。假设将通道维当作特征维，将高和宽维度上的元素当成数据样本，那么1×1卷积层的作用与全连接层等价。1×1卷积层通常用来调整网络层之间的通道数，并控制模型复杂度。一方面，ReLU激活函数的计算更简单，例如它并没有sigmoid激活函数中的求幂运算。另一方面，ReLU激活函数在不同的参数初始化方法下使模型更容易训练。这是由于当sigmoid激活函数输出极接近...

Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network吴恩达2019心律失常分类论文，使用DNN证明了端到端的深度学习方法可以对来自单导联心电图的各种明显的心律不齐进行分类，具有与心脏病专家类似的高诊断性能。

个人感觉有两篇文章总结的比较好决策树分类实例摘录一下：决策树比较官方的解释是：决策树是广泛用于分类和回归任务的模型。本质上，它从一层层的if/else问题中进行学习，并得出结论。决策树有两个优点:一是得到的模型很容易可视化，非专家也很容易理解(至少对于较小的树而言)。二是算法完全不受数据缩放的影响。由于每个特征被单独处理，而且数据的划分也不依赖于缩放，因此决策树算法不需要特征预处理，比如归一化或标

这是第一次使用深度学习方法系统地研究着几乎所有类型的由心律和传导功能障碍引起的心律失常，从而形成基于人工智能的端到端的多标签心电图诊断模型。

人工智能和常规诊断标准对使用心电图检测左心室肥大的性能的比较左心室肥大可以通过心电图、超声心动图、左心室造影和磁共振成像来检测。在这些方法中，超声心动图是准确的，被认为是诊断LVH的精标准。然而，超声心动图的成本和设备问题使其难以作为筛查工具。心电图是高血压患者的一项基本检查，因为它成本低，可以提供心律失常、缺血性心脏病和LVH等信息。它是一种有用的LVH筛查测试，广泛使用计算机解释心电图；在心电

摘要理解：锥形束CT（CBCT）通过减少减少X射线管阴极电流可以减少对患者的辐射，但是这样重建出来的图像的质量会变差。因此，如何提高低剂量CBCT重建图像的质量是一个值得研究的课题。传统的统计迭代重建法通过设计不同的正则项来重建，TV正则项（全变分）能保护边缘和去燥，但是会产生阶梯效应；而hessian正则项在抑制阶梯时会让边缘模糊化。本文是利用深度学习学习潜在的正则项，提出来一种基于卷积神经网.