UNet++论文: 地址UNet++源代码: 地址参考:作者知乎的总结https://zhuanlan.zhihu.com/p/44958351

为什么要做归一化处理？神经网络学习过程的本质就是为了学习数据分布，如果我们没有做归一化处理，那么每一批次训练数据的分布不一样，从大的方向上看，神经网络则需要在这多个分布中找到平衡点，从小的方向上看，由于每层网络输入数据分布在不断变化，这也会导致每层网络在找平衡点，显然，神经网络就很难收敛了。当然，如果我们只是对输入的数据进行归一化处理（比如将输入的图像除以255，将其归到0到1之间），只能保证..

目录一、前言二、损失函数2.1根据像素正确与否设计的loss function2.1.1Log Loss2.1.2 WCE Loss2.1.3 Focal Loss2.2 根据评测标准设计的loss function2.2.1 Dice Loss2.2.2IOU Loss2.2.3 Tversky Loss2.2.4敏感性-特异性 Lo...

一、定义在现实世界中,绝大部分问题都是无法线性分割的, 因此在设计神经网络时,激活函数必须是非线性函数线性函数是一条笔直的直线,而非线形函数不是线性函数之和是线性函数，线性函数的线性函数也是线性函数。因此，使用线性函数，不能表示复杂数据集中存在的非线性。每个神经元都必须有激活函数,即在它们的输出在加权和以及偏置的基础上还做了一个非线形变换(通过激活函数)二、分类目前Tensorflow...

一、前言在卷积神经网络(Convolutional Neural Network,CNN)出现之前,神经网络中相邻的所有神经元之间都有连接,这称为全连接(fully-connected),如图1所示图1 全连接(fully-connected)这种全连接方式会带来一个问题,如图2所示...

一、前言在卷积神经网络(Convolutional Neural Network,CNN)出现之前,神经网络中相邻的所有神经元之间都有连接,这称为全连接(fully-connected),如图1所示图1 全连接(fully-connected)这种全连接方式会带来一个问题,如图2所示...

随着神经网络的不断发展，越来越多的人工神经网络模型也被创造出来了，其中，具有代表性的就是前馈型神经网络模型、反馈型神经网络模型以及图网络.1.前馈型神经网络模型前馈神经网络（FeedforwardNeuralNetwork ,FNN），简称前馈网络。把每个神经元按接收信息的先后分为不同的组，每一组可以看做是一个神经层。每一层中的神经元接收前一层...

一、IPC的概念IPC(Interprosses communication),中文为进程间通信我们知道,进程在内存中拥有自己独立的进程空间,各个进程之间无法直接进行数据交流(如果对进程概念还不是很熟悉的小伙伴,可以看我上一篇内容)因此,我们需要进程间通信的机制,使得它们能够进行数据交流目前,主要有以下7种通信机制:1、文件操作(一个进程写, 一个进程读, 一般不使用...

目录4.2消息队列4.2.1 概念和原理4.2.2 使用4.2消息队列4.2.1 概念和原理消息队列是另一种标准IPC,当然也大概遵循大部分标准消息队列,它是存放消息(数据)的队列，而队列是先进先出的线性数据结构换句话说,我们就是利用这个数据结构 进行进程间的通信消息队列允许多个进程同时读写消息.由于消息可以定义很多类型,取出时可以指定哪个消息类型取出,所以...

目录二、管道(PIPE 、FIFO)2.1无名管道(PIPE)2.1.1 父子通信2.1.2 兄弟通信2.2有名管道(FIFO)二、管道(PIPE 、FIFO)最古老的IPC之一, 以管道文件作为媒介进行传输其中分为有名管道和无名管道无名管道的管道文件在文件系统中不可见, 而有名可见管道通信实质上是内存通信, 由内核负责2.1无名管道(PIPE)...