- 博客(97)
- 收藏
- 关注
RSS订阅原创 foxmail登录不了hotmail的解决办法
由于hotmail的信息安全保护，9.16号就在foxmail登录不了，因为习惯了foxmail，且微软改了验证方式，换要他们的客户端才行，就感觉好麻烦。账号管理里面删除之前的账号，新建账号，选择“Miscosoft 365 国际版”，然后输入账号密码，然后同意协议，这个问题就解决了。
2024-09-29 18:07:15
1472
原创 使用python绘制森林图的教程
每一行代表一个特定的组别或子组，图中的点表示该组的效应估计值（例如相对风险、比值比等），而误差条表示估计值的置信区间（即估计值的不确定性范围）。每个点代表一个研究或亚组的效应估计值，左右两侧的误差条表示估计值的95%置信区间。如果是比值比（如OR、RR），通常大于1表示有增加的风险，小于1表示有降低的风险。分组标签：每一行都有相应的分组或亚组名称，表示具体分析的对象，比如不同的治疗方法、风险因素、患者特征等。如果某个组的效应估计值的置信区间不包含1，且估计值显著偏离1，意味着该组的效应显著。
2024-09-13 18:10:41
707
原创 windows更新错误0x80070643的懒人解决方法
但是，MediaCreationTool只有系统升级修复功能，并不能解锁Bitlocker。笔主因为电脑指纹用不了，就感觉是windows需要更新了，结果刚去windows更新，就出现错误0x80070643，遂查阅资料，费了2个小时终于解决，电脑指纹终于能用了。这个是系统分盘，尝试了以后，发现我的磁盘并不能压缩，于是只能采取最笨的方法，重装系统。若是需要保留个人文件和应用，不改变系统版本，通常如下图默认即可。若是需要设置，建议点击“更改保留的内容”，进行设置。之后将无法正常使用电脑，请做好相关准备。
2024-06-24 14:37:49
1292
原创 论文浅读之Mamba: Linear-Time Sequence Modeling with Selective State Spaces
这篇论文提出了一种新型的"选择性状态空间模型"(Selective State Space Model, S6)来解决之前结构化状态空间模型(SSM)在离散且信息密集的数据（如文本）上效果较差的问题。Mamba 在语言处理、基因组学和音频分析等领域的应用中表现出色。其创新的模型采用了线性时间序列建模架构，结合了选择性状态空间，能够在语言、音频和基因组学等不同模式中提供卓越的性能。这种突破性的模型标志着机器学习方法的重大转变，显著提升了效率和性能。
2024-06-22 07:05:42
1161
原创 使用html和css实现个人简历表单的制作
Ⅰ、表格整体的边框为1像素，单元格间距为0，表格中前六列列宽均为100像素，第七列 为200像素，表格整体在页面上居中显示；Ⅲ、第一行合并了7列；第六 行合并了六列；照片的单元格合并了四行。Ⅱ、前五行的行高为40像素，第六行的行高为80像素，排列方式均为居中显示；CSS文件{style.css}
2024-05-12 03:14:35
1556
原创 CSS的基础语法和常见的语法简单归纳
通过 CSS，可以定义网页中的元素（如文字、图像、链接等）的外观和排版方式，包括字体、颜色、大小、间距、边框等。CSS 的设计目标是将内容和样式分离，使得网页的结构和表现分离开来，使得修改样式不需要修改 HTML 结构，这样可以提高网页的灵活性和可维护性。通过将 CSS 规则放置在独立的 CSS 文件中，可以提高代码的可维护性和组织性，使得 HTML 文件更加简洁和易读。在大括号 {} 内部，列出了一系列的属性-值对，每个属性定义了要应用的样式特性，值则指定了该特性的具体取值。/* 选择器组合 */
2024-05-11 17:20:32
1017
原创 html的基础知识和常见的语法简单归纳
HTML是超文本标记语言（HyperText Markup Language）的缩写。它是一种用于创建网页的标记语言，用于描述网页的结构和内容。HTML通过一系列的标签（tag）来定义文档的各个部分，例如标题、段落、链接、图像等。浏览器读取HTML文档，并按照标记的指示将其呈现成可视化的网页。HTML通常与CSS（层叠样式表）和JavaScript一起使用，用于实现网页的样式和交互功能。比如上面的链接，就是菜鸟教程的html的链接。html学习学习还是挺有用的。默认上面的为1.html。
2024-05-11 04:14:05
1334
原创 使用Zotero自定义参考文献格式的教程
众说周知，zotero有自带的添加文献的方式，主要流程如下图但是有的参考文献格式在zotero里面是没有的，因此需要自己找cls文件或者自己编写cls文件。
2024-05-07 00:11:49
3346
原创 正则表达式之python中re模块的使用以及一些习题
它是一种强大的工具，用于在文本中搜索、匹配和编辑特定模式的字符串。正则表达式可以用来验证输入是否符合某种模式，提取文本中的特定信息，以及进行文本的替换和分割等操作。在计算机编程和文本处理中，正则表达式被广泛应用于各种领域，如文本搜索引擎、数据分析、文本编辑器等。尝试从字符串的起始位置匹配一个模式，返回一个匹配对象。在字符串中查找所有匹配项，返回一个包含所有匹配结果的迭代器。在字符串中查找所有匹配项，返回一个包含所有匹配结果的列表。在字符串中搜索第一个匹配项，返回一个匹配对象。
2024-05-06 02:28:25
833
原创 python科学计算库之Numpy库的使用的简单习题
Numpy是许多高级科学计算库的基础，包括Pandas（数据分析库）、Matplotlib（绘图库）、Scikit-learn（机器学习库）等，几乎成为了进行科学计算和数据分析的Python开发的必备库。：Numpy的核心是多维数组对象（ndarray），它提供了统一的接口来进行快速的数组计算。8．用numpy编程创建国际象棋盘，填充8*8矩阵，棋盘是正方形，由横纵各八格，颜色一深一浅交错排列的64个小正方格组成，深色为黑格（为0），浅色为白格（为1），如下图所示。并输出国际象棋盘对应的矩阵。
2024-03-04 01:58:35
1145
原创 使用ESMFold提取蛋白质embedding的python实现
ESM Fold 利用了大规模的蛋白质序列数据和进化信息，通过深度神经网络模型进行训练，以预测蛋白质的二级结构、残基接触图和三维结构。该模型的预测能力取决于其训练数据的质量和数量，以及模型的架构和参数设置。示例的维度为（2，19840），因为我们将每个样本中的所有位置的 embedding 向量连接起来，得到每个样本的一个长向量表示。因此，这个数据张量的形状 (2, 62, 320) 提供了关于两个样本中蛋白质序列的信息，以及每个序列中每个位置的嵌入表示。确保序列的格式符合模型的要求。
2024-03-04 01:39:03
1817
原创 形态学算法应用之重建开操作的python实现——数字图像处理
标准开操作即先进行腐蚀，然后对腐蚀结果利用同一个结构元进行膨胀；重建开操作即先进行腐蚀（这一步骤与标准开操作相同），然后利用该腐蚀结果作为标记，原图像作为模板，进行重建，整个过程叫做重建开操作。形态学开操作首先删除小物体，再通过膨胀试图恢复遗留前景重建开操作由于有了G的约束，解决了传统开操作高度依赖准确结构元才能正确恢复形状的缺点重建开操作的作用是：准确提取图像中与结构元（腐蚀时的，膨胀时用一般的就可以了）相似的模式。
2024-03-03 17:09:13
1200
原创 形态学算法应用之连通分量提取的python实现——图像处理
连通分量的定义：令S是一个像素子集，如果S中的全部像素之间存在一个通路（m通路或8通路），则可以说两个像素p和q在S中是连通的。对于S中的任何像素p，S中连通到该像素的像素集称为S的连通分量。应用背景：在许多自动图像分析应用中，如何识别出图像中的不同之处，往往是从其二值图像中提取连通分量。流程：第一步，用阈值210对原图进行阈值操作，得到二值图像，可用函数cv2.threshold(img, 210, 1, cv2.THRESH_BINARY)实现；
2024-02-09 00:00:00
3174
原创 形态学算法之边界提取的简单python实现——图像处理
边缘是图像的最重要的特征，。边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘提取，指数字图像处理中，对于图片轮廓的一个处理。对于边界处，灰度值变化比较剧烈的地方，就定义为边缘。也就是拐点，拐点是指函数发生凹凸性变化的点。二阶导数为零的地方。并不是一阶导数，因为一阶导数为零，表示是极值点。边缘提取：边缘检测的基本思想首先是利用边缘增强算子，突出图像中的局部边缘，然后定义象素的“边缘强度”，通过设置阈值的方法提取边缘点集。由于噪声和模糊的存在，监测到的边界可能会变宽或在某点处发生间断。
2024-02-08 00:24:46
4504
原创 形态学操作之开操作与闭操作的python实现——数字图像处理
先用B对A进行腐蚀，将A中的小细节，小连通区域消除（注意这里是彻底消除），然后用B将A中没有被消除的地方恢复成原来的样子，最终只有被B完全消除掉的小细节没有了，A中其余的部分并没有改变。开操作是先进行腐蚀后进行膨胀的操作。：先用B对A进行膨胀，将A的细节放大，将A中本不能够连接起来的地方连接起来，然后用B对结果进行腐蚀，将被放大的地方还原（注意，已经被连接起来的地方不会在被腐蚀抹掉）先用B对A进行腐蚀，再用B对其结果进行膨胀，并不会得到原来的A，即膨胀与腐蚀并不像+和-一样是一对完全互补的操作。
2024-02-07 01:14:59
1876
原创 pytorch调用多个gpu训练，手动分配gpu以及指定gpu训练模型的流程以及示例
当使用上面的这个命令时，PyTorch 会检查系统是否有可用的 CUDA 支持的 GPU。如果有，它将选择默认的 GPU（通常是第一块，即 “cuda:0”）。这意味着，即使系统中有多块 GPU，这条命令也只会指向默认的一块。torch.device(“cuda” if torch.cuda.is_available() else “cpu”) 这个命令在多 GPU 系统中是有效的，但它默认只指向一块 GPU（通常是 “cuda:0”）。要在多 GPU 系统中高效地利用所有 GPU，需要采用更复杂的设置。
2024-02-02 00:24:42
6794
原创 docker导出conda环境的流程
在这个示例中，替换 your-env-name 为 Conda 环境名称，your-image-name 为想要的 Docker 镜像名称。这将创建一个包含 Conda 环境的 Docker 镜像，可以在任何支持 Docker 的机器上运行它。在 Dockerfile 所在的目录运行 docker build -t your-image-name . 来构建镜像。要在 Docker 中导出 Conda 环境，需要创建一个 Docker 镜像，该镜像包含 Conda 环境。
2024-01-31 23:54:42
755
原创 Linux 系统导出Conda 环境到 Windows 系统的流程
连接成功后，使用 put /path/to/environment.yml /path/to/destination 命令将文件上传到目标系统。其中 /path/to/environment.yml 是源系统上文件的路径，username 是在目标系统的用户名，windows_host 是目标系统的主机名或IP地址，/path/to/destination 是目标系统上文件的目的路径。这就是本地 IP 地址。：创建环境后，在 Windows 系统上激活环境并进行测试，以确保所有必要的包都按预期工作。
2024-01-30 04:00:00
1971
原创 colab使用自己数据集进行模型训练的方法汇总
在 Google Colab 上使用自己的数据集进行模型训练。Colab 允许您通过多种方式上传数据，包括直接从本地计算机上传、从 Google Drive 加载或通过网络链接下载，从github导入等。
2024-01-30 01:01:27
1017
原创 本地conda环境导入到linux系统里的流程
其中path/to/environment.yml是环境文件在本地计算机上的路径，user@linuxhost是导入Linux系统的用户名和地址，/path/to/destination是在Linux系统上的目标路径。如果没有，需要先安装conda。将激活的环境（your_env_name是环境名称），并导出环境的详细信息到一个名为environment.yml的文件中。这将根据environment.yml文件中的规范，在Linux系统上创建相同的conda环境。：首先在本地计算机上导出conda环境。
2024-01-29 23:34:17
607
原创 形态学操作之腐蚀及膨胀的数学原理——数字图像处理
在数学上，腐蚀和膨胀是集合论的操作，通常应用于图像处理中的二值图像。可以将二值图像视为一个集合，其中包含所有像素值为1（或高亮）的像素点的集合。这些操作都是基于图像与一个给定的结构元素（一个小的形状或模板）的关系来定义的。
2024-01-28 04:00:00
1695
原创 腐蚀及膨胀的python实现——数字图像处理
形态学操作主要包含：腐蚀，膨胀，开运算，闭运算，形态学梯度运算，顶帽运算，黑帽运算等操作。腐蚀操作与膨胀操作是形态学的运算基础，将腐蚀与膨胀结合，就可以实现开运算，闭运算，形态学梯度等不同形式的运算。腐蚀是最基本的形态学操作之一，它能够将图像的边界点消除，使图像沿着边界向内收缩，也可以将小于指定结构体元素的部分去除。腐蚀主要用来“收缩”或者“细化”二值图像中的前景，借此实现去噪声，元素分割等功能。
2024-01-27 23:17:16
2471
原创 windows环境下配置tensorflow_gpu版本——无需更改本地的cuda
大家可以在tensorflow学习中，可能会遇到使用tensorflow_gpu版本的安装，但是一般涉及到gpu的安装，就需要配置cuda，这个过程很麻烦且浪费时间，下面给出一个简单的方法配置环境。假设已经创建好虚拟环境，这里我们选取为例进行举例，注意python版本在3.6-3.9之间可以看出需要cudnn=7.6，cudatoolkit=10.1。
2024-01-26 01:32:00
567
原创 图像分割的作用以及运用领域
在图像分割过程中，图像被分解成若干互不重叠的区域，这些区域通常对应于实际场景中的各种物体或图像的特定部分。：在遥感应用中，图像分割用于处理来自卫星或航空摄影的图像，以识别地表特征，如土地覆盖、水体、林地等，对环境监测、城市规划和农业管理等领域有重要应用。：在自动驾驶技术中，图像分割用于从车载相机捕获的图像中识别道路、行人、车辆和其他障碍物，这对于路径规划和碰撞预防至关重要。：在安全和监控领域，图像分割可以用于人群监控、异常行为检测、车辆识别等，提高监控系统的效率和准确性。
2024-01-25 20:47:50
1492
原创 彩色图像处理之彩色图像分割的python实现——数字图像处理
许多图像分割技术基于优化问题，旨在最小化或最大化某个准则，如聚类内距离的总和（K-means聚类），或者区域内像素与区域外像素之间的对比度（图割算法）。图像分割的本质是将图像分割成相互不相交的区域，有的区域表示图像目标信息，有的区域表示图像背景信息。彩色图像分割的数学原理实际上是一种将图像从像素级转换到特征空间，并在这个空间中根据定义的准则进行优化的过程。相似性度量：根据提取的特征，分割算法会计算像素之间的相似性。彩色图像分割的关键在于准确识别和划分图像中的不同区域或对象，这通常涉及复杂的算法和技术。
2024-01-25 20:40:25
1787
原创 LaTeX添加文献以及批量添加文献的教程
库：首先，你需要创建一个文献数据库（通常是一个.bib文件），在其中列出所有引用文献的详细信息。在 LaTeX 文档中添加 \thebibliography 环境：在文档的适当位置（通常是文档末尾），添加 \thebibliography 环境。：在文档的适当位置（通常是文档的末尾），你需要告诉LaTeX在哪里打印文献列表。使用 \bibitem 添加文献：对于每一篇文献，使用 \bibitem 命令，并提供一个唯一的标签。：在你的LaTeX文档中，使用\cite{}命令来引用文献。谷歌学术可以直接导出。
2024-01-24 21:33:04
1082
原创 latex添加图片以及引用的实例教程
如果按照前面的说明正确插入了图片，那么可以通过 \ref 命令和之前为图片定义的标签（label）来在文档中引用该图片。\begin{figure}[h] 和 \end{figure}: 创建一个图形环境，[h] 参数建议 LaTeX 将图片大致放置在文本中的这个位置（这里 h 代表 “here”）。这种引用方式特别有用，因为如果文档中的图片顺序发生变化，LaTeX 将自动更新所有相关的引用，确保引用的正确性。\label{fig:my_label}: 为图片添加标签，以便在文档中引用。
2024-01-23 22:33:46
4680
原创 彩色图像处理之彩色图像直方图处理的python实现——数字图像处理
在灰度图像处理中，直方图均衡化自动地确定一种变换，改变换试图产生具有均匀灰度的直方图。由于彩色图像是由多个分量组成的，所以必须考了适应多于一个分量的直方图的灰度级技术。独立地进行彩色图像分量的直方图均衡通常是不可取的，这将产生不正确的彩色。一个更符合逻辑的方法是均匀地扩展彩色强度，而保留彩色本身。图像直方图是反映一个图像像素分布的统计表，其横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。
2024-01-22 03:13:31
2275
2
原创 彩色图像处理之伪彩色图像处理的python实现——数字图像处理
伪彩色处理(pseudocoloring)是指根据一定准则给灰度值赋予彩色值的处理。宏观来说就是将黑白图像转化为彩色图像，或者是将单色图像变换成给定彩色分布的图像。由于人眼对彩色的分辨能力远远高于对灰度的分辨能力，所以将灰度图像转化成彩色表示，就可以提高对图像细节的辨别力。因此，伪彩色处理的主要目的是提高人眼对图像的细节分辨能力，以达到图像增强的目的。伪彩色处理的基本原理是将黑白图像或者单色图像的各个灰度级匹配到彩色空间中的一点，从而使单色图像映射成彩色图像。对黑白图像中不同的灰度级赋予不同的彩色。
2024-01-21 00:00:00
2096
原创 RGB图像转换为HIS彩色模型的python实现——数字图像处理
色度值表示:每个颜色通道的强度值通常用0-255这256个数字来表示,0表示没有这个颜色,255表示此颜色最浓。HIS模型是一种颜色模型,它通过色调(Hue)、饱和度(Saturation)和亮度(Intensity)三个参数来描述颜色,被称为HSI颜色模型。:图像由一定大小的矩阵描述,每一个矩阵元素称为一个像素,每个像素用三个颜色通道(R、G、B值)来表示该位置的颜色。RGB图像就是常见的数字图像,它采用红色®、绿色(G)、蓝色(B)三原色的强度来表示每个像素的颜色信息。第二步是计算颜色的饱和度S。
2024-01-20 00:00:00
2243
原创 python生成24bit全彩RGB立方体的三维散点图
请注意，为了使图像渲染更快并且易于观察，在散点图中只使用了一部分颜色点（每隔 25 个值取一个点）。完整的 RGB 立方体将包含 256×256×256=16,777,216 个点，这会使得图像非常密集并且难以有效地渲染和观察。在这个立方体中，每个点代表一个不同的颜色，其位置由红色、绿色和蓝色通道的值决定。点的颜色则直接反映了其在 RGB 空间中的位置。每个点的颜色是根据其在这三个颜色通道中的位置确定的。这种视觉化展示了 RGB 颜色空间的三维性质，展现了不同颜色是如何在这个空间中分布的。
2024-01-19 00:00:00
556
原创 RGB全彩色到RGB稳定色的转换的python实现—— 数字图像处理
而 RGB 稳定色通常指的是一组在特定环境下表现出视觉稳定性的颜色，这些颜色在不同的显示设备或不同的观看条件下保持一致的视觉效果。总之，从 RGB 全彩色到 RGB 稳定色的转换是一个复杂的过程，涉及到颜色校正、伽马校正、颜色空间转换，以及考虑显示设备的特性和环境因素。在某些情况下，可能需要将 RGB 颜色转换到另一个颜色空间（例如 sRGB、Adobe RGB 等），这些颜色空间被设计用来提供更一致和可预测的颜色表现。在 RGB 颜色空间中进行伽马校正可以使颜色在不同的设备上具有更一致的视觉效果。
2024-01-18 00:00:00
460
原创 彩色模型之生成RGB彩色立方体的隐藏面和剖面的python实现（不同通道如何合作以产生不同的颜色）——数字图像处理
首先生成灰度值为128的R分量图，接着生成两幅GB分量图（可以用np.meshgrid函数生成，也可以用双层循环的方式生成），最后用cv2.merge函数将三个通道合成为一幅彩色图像并显示。总结来说，这段代码演示了 RGB 颜色模型的工作原理，特别是如何通过改变和组合不同的颜色通道来创建多种颜色和效果。通过调整每个通道的强度，可以生成广泛的颜色范围，这是数字图像处理中的一个基本概念。
2024-01-17 00:00:00
552
原创 Python展示 RGB立方体的二维切面视图
生成 RGB 立方体的三个中间切面视图，分别对应于红色、绿色和蓝色通道。这些切面展示了在固定一个颜色通道值的情况下，其他两个颜色通道是如何变化的。虽然这不能显示出 RGB 立方体的全部复杂性，但它提供了一个很好的视觉表示，帮助理解 RGB 颜色空间的工作原理。
2024-01-16 03:55:37
547
原创 压缩编码之不同缩放参数对重建图像质量的影响的python实现——JPEG变换编码不同压缩率的模拟
整个JPEG压缩原理就是通过DCT变换去空间冗余来达到图片压缩的。经过DCT变换之后DCT系数只保留的左上角的数据（低频分量数据），右下角部分均变成0.因此，想要进一步压缩就可以从量化表下手。量化表的量化系数越大，得到的量化后的DCT系数就越小，高频信息消失的更多，图片容量就越小。
2024-01-16 00:29:33
743
原创 压缩编码之JPEG变换编码不同压缩率的模拟的实现——数字图像处理
在JPEG压缩编码原理介绍中就知道整个JPEG压缩原理就是通过DCT变换去空间冗余来达到图片压缩的。经过DCT变换之后DCT系数只保留的左上角的数据（低频分量数据），右下角部分均变成0.因此，想要进一步压缩就可以从量化表下手。量化表的量化系数越大，得到的量化后的DCT系数就越小，高频信息消失的更多，图片容量就越小。
2024-01-16 00:00:00
730
原创 压缩编码之离散余弦变换（DCT）之不同块大小对图像质量和压缩效果的影响的python实现
这样，我们就知道，分辨率表示的是图片在长和宽上占的点数的单位。像素与分辨率像素是数码影像最基本的单位，每个像素就是一个小点，而不同颜色的点（像素）聚集起来就变成一幅动人的照片，数码相机经常以像素作为等级分类依据，但不少人认为像素点的多少是CCD光敏单元上的感光点数量，其实这种说法并不完全正确，不少厂商通过特殊技术，可以在相同感光点的CCD光敏单元下产生分辨率更高的数码相片，块的大小直接影响这种权衡：较小的块提供更好的图像质量但较低的压缩率，而较大的块则提供更高的压缩率但可能牺牲图像的细节质量。
2024-01-15 00:00:00
2234
原创 修改Jupyter Notebook 中的 Anaconda 环境以及内核显示名称流程
然后，使用 python -m ipykernel install --user --name yourenvname --display-name “New Display Name” 来重新安装内核，其中 “New Display Name” 是希望在 Jupyter Notebook 中显示的新名称。如果想改变 Jupyter Notebook 中内核的显示名称，需要先卸载然后重新安装内核，使用新的显示名称。
2024-01-14 04:17:48
676
原创 Jupyter Notebook之移除anaconda环境
使用得到的内核名称，运行 jupyter kernelspec uninstall yourenvname，其中 yourenvname 是要移除的内核的名称。这会删除整个环境，包括其所有的包和依赖。为确保内核已被正确移除，可以再次运行 jupyter kernelspec list 来确认该内核不再出现在列表中。如果选择删除环境，可以使用 conda env list 来确认该环境已从 Anaconda 环境列表中移除。首先，需要找出想要移除的内核的名称。这将显示所有安装的内核及其对应的路径。
2024-01-14 04:13:10
729
Frontiers of Computer Science的word投稿模板
2024-04-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人