按我通俗的理解，就是文本要进入模型，得编码成数字的形式，那么，怎么给定数字的形式呢，不能随便给一个数字吧，此时就需要一个词表，该表中有很多很多的字，每个字都有在该表中唯一的位置，每个字编码时，采用其在词表中的位置。

Labelme：链接：https://pan.baidu.com/s/1pnBmEf8Edz7F73Rl2pN-yQ提取码：wc4gLabelImg：链接：https://pan.baidu.com/s/1GBhTBmnKAgzwPiTBZ03XTA提取码：la2j

  学习率是网络训练过程中非常重要的参数，好的学习率可加速模型，并且避免局部最优解，这几天陷入了怪圈，被学习率折磨了，遂记录一下lr_scheduler中的学习率调整方法。学习率调整在网络中的位置以及当前学习率查看方法import torchimport torch.nn as nnimport torch.optimoptimizer = torch.optim.SGD(model.parame

Bland-Altman分析主要运用到什么场景呢？比较两种方法测量的一致性。例如：测量脑出血的体积，医生手动测量会得到一组值，而基于深度学习的分割模型测量会得到另一组值，利用Bland-Altman分析可以评价模型与医生测量结果之间的一致性与偏差。简言之，衡量模型是否可靠，能不能用于临床实践。此外，Bland-Altman图也可用于评估一种测量技术的可重复性，通过对一系列受试者使用单一方法进行重复

【AI】启发式搜索：贪婪最佳优先搜索(Greedy best-first search)原理及python代码实现搜索算法：启发式搜索搜索算法的形式化描述：状态、动作、状态转移、路径、测试目标**状态：**从原问题转化出的问题描述；动作：从当前时刻所处状态转移到下一时刻所处状态所进行操作，一般而言这些操作都是离散的；状态转移：对某一时刻对应状态进行某一种操作后，所能够到达状态；路径：一个状态序列，

按我通俗的理解，就是文本要进入模型，得编码成数字的形式，那么，怎么给定数字的形式呢，不能随便给一个数字吧，此时就需要一个词表，该表中有很多很多的字，每个字都有在该表中唯一的位置，每个字编码时，采用其在词表中的位置。

一个更优秀的可靠性度量指标，应该同时反映测量之间相关性和一致性的程度。组内相关系数（Interclass Correlation Coefficient, ICC）就是天选之子。

  DropPath/drop_path 是一种正则化手段，其效果是将深度学习模型中的多分支结构随机”删除“，python中实现如下所示：def drop_path(x, drop_prob: float = 0., training: bool = False):if drop_prob == 0. or not training:return xkeep_prob = 1 - drop_pro

一个更优秀的可靠性度量指标，应该同时反映测量之间相关性和一致性的程度。组内相关系数（Interclass Correlation Coefficient, ICC）就是天选之子。