数字旗手

ImagePy中的管理器分两类：Source里的管理器维护全局静态数据，比如读写器、配置文件等， App里面的管理器维护运行时数据，比如图像、表格。 静态管理器 创建管理器 这里创建一个money管理器，里面可以添加美元USD、欧元EUR、人民币RMB，比如： 1 2 3 Source.manager('money').add('USD', MoneyReader, 'MoneyDisplay') Source.manager('money').add('EUR', MoneyReader, 'MoneyDisplay') Source.manager('money').add('RMB

前言 ImagePy中表示几何矢量的结构类是Shape，最直观的一个应用就是各种ROI操作，这里通过一个小例子看看各种几何图形是怎样操纵和显示的。 最小demo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 from sciapp.object import mark2shp from sciwx.canvas import VCanvas as Canvas import wx circle = {'type':'circle', 'color':(255,0,0), 'fcolor':(255,255,0), 'fill':False, 'body'

以下是对安筱鹏博士的《重构：数字化转型的逻辑》一书的笔记摘抄。 逐字摘抄能够加深自己的理解，防止“水过地皮湿”，强烈推荐这种读书方法。 不重构，无未来：拥抱数据驱动的智能+新时代 伴随着新一代信息通信技术（以互联网、大数据、人工智能、5G为代表）的持续创新和渗透扩散，新一轮工业革命正在全球范围孕育兴起，制造业正迈向体系重构、动力变革、范式迁移的新阶段，加速向数字化、网络化、智能化方向延伸扩展，万物互联、数据驱动、软件定义、平台支撑、组织重构、智能主导正在构建制造业的新体系，它也成为了全球新一轮产业竞争的制高点。 体系重构 （1）谁来生产（Who）在变：生产主体从生产者向产消者Prosume

%%%%%%%%%%%%%% 2021-1-31更新：基于最新的sciwx修改了以前的失效代码。 %%%%%%%%%%%%%% ImagePy/sciwx有个Mark模式，即在图像上面可以再绘制其他图形，比如矩形、文本、ROI标识等，本质即是利用GDI绘图。 本文是对该Mark模式的解析。 demo 先给出一个小的demo，主要就是为了看Mark模式的输入输出，方便理解它的运行本质。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 from sciwx.canvas.mark import drawma

本文对sciwx的独立组件——参数对话框ParaDialog进行解析。 demo全景 首先还是直接给出sciwx库中可运行的demo： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 from sciwx.widgets import ParaDialog if __name__ == '__main__': para = {'name':'yxdragon', 'age':10, 'h':1.72, 'w':70, 'sport':True, 'sys':'Mac', 'lan':['C/C++', 'P

讲义地址 B站地址 深度学习基础 数据操作 广播：数据操作中易错的一个地方是广播机制，可能造成想象不到的错误。但广播也会非常方便。在计算总和或均值时，保持轴数不变keepdims=True，可以有效利用广播。 原地操作：对于占据内存比较大的数组，可以使用原地操作来避免重复创建使用内存。 pytorch的reshape和view的区别： torch的view()与reshape()方法都可以用来重塑tensor的shape，区别就是使用的条件不一样。view()方法只适用于满足连续性条件的tensor，并且该操作不会开辟新的内存空间，只是产生了对原存储空间的一个新别称和引用，返回值是视图。

Attention预警！： 时刻铭记“Garbage in, garbage out!”，因此，涉及到data时，一定注意实际查看，确保计算时Input和Output的一致性和准确性。 原书MXNet版在这里。 PyTorch版在这里。 深度学习简介 目前的机器学习和深度学习应用共同的核心思想：用数据编程。 通俗来说，机器学习是一门讨论各式各样的适用于不同问题的函数形式，以及如何使用数据来有效地获取函数参数具体值的学科。 深度学习是具有多级表示的表征学习方法（表征学习关注如何自动找出表示数据的合适方式，以便更好地将输入变换为正确的输出）。在每一级（从原始数据开始），深度学习通过简单的函数将

从2015年开始，Kaggle每年都举办一次Data Science Bowl，旨在召集众多力量开发算法，来解决当前某一特定领域的迫切问题。2018年的数据碗的任务是识别细胞的细胞核nuclei，从而使得更加方便地进行药物测试，使得新药的上市时间缩短。 Yun Chen分享了他的使用PyTorch/UNet算法的notebook，见这里，本文是对该notebook代码的详细解析和再现，并适当做了一些修改。 再分享一篇挺好的背景文章： 基于深度学习的图像语义分割算法综述 数据集分析 下载数据集 1 !kaggle competitions download -c data-scienc

%%%%%%%% 2021.4.3更新：增加了image在sciapp的App和sciwx的canvas中的关系介绍 2021.2.14更新:增加了sciapp和sciwx的介绍 %%%%%%%% 新版ImagePy有如下特点： （1）将原版ImagePy非常特色的可视化组件完全解耦，比如画布、表格、对话框等组件，将其重构为sciwx库，这样第三方开发人员就可以更加方便地使用这些组件而构建自己的特定应用； （2）创建了一套适用于图像处理的接口标准sciapp，其中定义了图像类Image、表格类Table、几何矢量类Shape，并实现了对这些类的常用操作，即sciapp作为后端支持； （2）新

简介 Kaggle上有一个钢材表面缺陷检测的竞赛，是一个很好的将深度学习应用于传统材料检测的例子。对该赛题和解法的剖析，可以辅助理解深度学习的流程，及其应用于具体问题的套路。 这次解析分为两部分： （1）第一部分，即上一篇文章，是一个预备性工作，即对该竞赛的数据集的分析和可视化，参考的是这个notebookclear mask visualization and simple eda。感谢GoldFish的分享。 （2）第二部分，即本文，参考的是Rishabh Agrahari的使用PyTorch框架及UNet算法的notebook，中间穿插了很多背景知识介绍。 再次声明一下，本次训练