数字旗手

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

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，即本文，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notebook——clear mask visualization and simple eda。感谢GoldFish的分享。 （2）第二部分，参见另一篇文章，即算法分析，参考的是Rishabh Agrahari的使用PyTorch框架及UNet算法的notebook。 其他参考文献： * kaggle

本文是对ImagePy的IBook中的Cell Analysis的解析。 该例子用到了很多功能，从中可以一窥图像处理的常用流程和ImagePy常用组件的用法。 该文件是个录制的宏文件，因此，命令都是“插件名称>参数字典”的形式。 打开图像 1 cell>None 该宏命令就是打开了cell图像，如图： 之所以能这样打开图像，是因为在生成ImagePy主界面时，已经将该图像解析成了插件，具体过程可以参见之前解析主界面渲染的文章。 主要原理通过查看IBook下的Image Referenced文件夹下的image_plgs文件就一目了然： 1 2 3 4 5 6 7 8 9 10 11

%%%%%%%%%%%%%% 2020-8-2更新：增加寻找邻居标识的过程解析 %%%%%%%%%%%%%% 参考文献： OpenCV分水岭Watershed算法的前因后果 The Watershed Transformation 图像准备 此处分水岭算法所使用的样例图像为： 上述图像仅是为了便于展示，其实际尺寸为15乘以15像素，即像素矩阵为： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 [[ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], [ 0,

源码在：这里 还有一篇参考文献：局部极值提取算法 图像准备 首先创建一张10 pixels乘以10 pixels的背底黑色、中间白色的图像，如下图所示（下图仅是为了显示，实际图像是100个像素的面积大小，这样是为了后面显示像素矩阵时更方便）： 然后上面这张图像不能直接传入findmax脚本中，实际用到的是它的距离变换图（注意将这张图的显示范围调整为0-3，因为面积很小，所以距离很近，如果正常0-255显示则就是一片黑色）： 这张图像的像素矩阵就是： 1 2 3 4 5 6 7 8 9 10 [[0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0]