深度学习

欢迎关注”生信修炼手册”! 肿瘤微环境是肿瘤细胞生存和发展的土壤，其中浸润到肿瘤局部的免疫细胞介导了肿瘤免疫微环境，tumor immune microenvironment, 简称TIME。肿瘤的免疫疗法作用于免疫微环境， 肿瘤免疫微环境的异质性与免疫疗法的不同响应率必然存在这密切的关系，免疫微环境有望作为一种biomaker来指导临床治疗，筛选能够从免疫疗法中获益的肿瘤患者群体。 研究肿瘤免疫微环境组成的技术手段有很多，基于测序技术和生物信息学分析的方法是目前较为流程的一种策略。通过转录组测序，可以获得肿瘤样本中不同基因的表达量数据，通过对应的生物信息学软件，可以得到肿瘤免疫微环境中各种细胞的表达量，从而对肿瘤微环境进行分型，识别浸润的免疫细胞亚群，比较不同亚群的表达情况，结合生存分析，进一步筛选某种微环境亚型或者免疫细胞亚群作为biomarker。 基于基因表达谱数据，分析肿瘤免疫微环境组分的软件有很多，大致分成了以下3种策略 1. marker gene 将不同免疫细胞对应的marker genes作为基因集合, 采用类似GSEA的算法来评估样本中高表达的基因在不同免疫细胞的基因集合中是否富集，示意图如下 黑色圆点代表某种免疫细胞对应的marker genes集合，柱子代表某个样本中基因表达量从低到高排序之后的结果，底部表达量最低，顶部表达量最高

本次分享从以下几个方面展开，尽可能做到有理有据，希望对读者有所帮助：赛题简介、赛题难点、数据预处理、特征工程、数据增强、模型构建、其他、总结。 1.赛题简介 预测性维护是工业互联网应用“皇冠上的明珠”，实现预测性维护的关键是对设备系统或核心部件的寿命进行有效预测。对工程机械设备的核心耗损性部件的剩余寿命进行预测，可以据此对于相关部件的进行提前维护或者更换，从而减少整个设备非计划停机时间，避免因计划外停机而带来的经济损失，比如导致整个生产现场其他配套设备等待故障设备部件的修复。本赛题由中科云谷科技有限公司提供某类工程机械设备的核心耗损性部件的工作数据，包括部件工作时长、转速、温度、电压、电流等多类工况数据。希望参赛者利用大数据分析、机器学习、深度学习等方法，提取合适的特征、建立合适的寿命预测模型，预测核心耗损性部件的剩余寿命。 2.赛题难点 针对数据量以及划分构造训练集的问题采用以下方案解决： 训练集与测试集的构造： a.一个训练样本按照寿命的一定比例进行构造多个小样本； 这里有两种方法，一是采用固定的比例列表，例如[0.45，0.55，0.63，0.75，0.85]。 二是采用多次选取随机比例构造。 b.测试集不变。 （队友周杰曾尝试过测试集也进行比例划分，有提升） 比如说一个样本的寿命为1000，我们截取450前的数据作为一个训练样本，其剩余寿命为550； 然后截取550前的数据

点击上方“ 计算机视觉cv ”即可“进入公众号” 重磅干货第一时间送达 预训练网络   想要将深度学习应用于小型图像数据集，一种常用且非常高效的方法是使用预训练网络。预训练网络（pretrained network）是一个保存好的网络，之前已在大型数据集（通常是大规模图像分类任务）上训练好。如果这个原始数据集足够大且足够通用，那么预训练网络学到的特征的空间层次结构可以有效地作为视觉世界的通用模型，因此这些特征可用于各种不同的计算机视觉问题，即使这些新问题涉及的类别和原始任务完全不同。举个例子，你在 ImageNet 上训练了一个网络（其类别主要是动物和日常用品），然后将这个训练好的网络应用于某个不相干的任务，比如在图像中识别家具。这种学到的特征在不同问题之间的可移植性，是深度学习与许多早期浅层学习方法相比的重要优势，它使得深度学习对小数据问题非常有效。   本例中，假设有一个在 ImageNet 数据集（140 万张标记图像，1000 个不同的类别）上训练好的大型卷积神经网络。ImageNet 中包含许多动物类别，其中包括不同种类的猫和狗，因此可以认为它在猫狗分类问题上也能有良好的表现。   我们将使用 VGG16 架构，它由 Karen Simonyan 和 Andrew Zisserman 在 2014 年开发。对于ImageNet，它是一种简单而又广泛使用的卷积神经网络架构

点击上方“ 计算机视觉cv ”即可“进入公众号” 重磅干货第一时间送达 计算机视觉cv 【 导读 】Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。本系列将教你如何从零开始学Keras，从搭建神经网络到项目实战，手把手教你精通Keras。相关内容参考《Python深度学习》这本书。 初识神经网络   我们先来看一个具体的神经网络示例，使用 Python 的 Keras 库来学习手写数字分类。如果你没用过 Keras或类似的库，可能无法立刻搞懂这个例子中的全部内容。甚至你可能还没有安装 Keras。没关系，可以看个例子先感受下。   我们这里要解决的问题是，将手写数字的灰度图像（28 像素×28 像素）划分到 10 个类别 中（0~9）。我们将使用 MNIST 数据集，它是机器学习领域的一个经典数据集，其历史几乎和这 个领域一样长，而且已被人们深入研究。这个数据集包含 60 000 张训练图像和 10 000 张测试图 像，由美国国家标准与技术研究院（National Institute of Standards and Technology，即 MNIST 中 的 NIST）在 20 世纪 80 年代收集得到。你可以将“解决”MNIST 问题看作深度学习的

点击上方“ 计算机视觉cv ”即可“进入公众号” 重磅干货第一时间送达 计算机视觉cv 【 导读 】Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。本系列将教你如何从零开始学Keras，从搭建神经网络到项目实战，手把手教你精通Keras。相关内容参考《Python深度学习》这本书。 多分类问题   本节你会构建一个网络，将路透社新闻划分为 46 个互斥的主题。因为有多个类别，所以这是多分类（multiclass classification）问题的一个例子。因为每个数据点只能划分到一个类别，所以更具体地说，这是单标签、多分类（single-label, multiclass classification）问题的一个例子。如果每个数据点可以划分到多个类别（主题），那它就是一个多标签、多分类（multilabel, multiclass classification）问题。 路透社数据集   本节使用路透社数据集，它包含许多短新闻及其对应的主题，由路透社在 1986 年发布。它是一个简单的、广泛使用的文本分类数据集。它包括 46 个不同的主题：某些主题的样本更多，但训练集中每个主题都有至少 10 个样本。   与 IMDB 和 MNIST 类似，路透社数据集也内置为

信息来源 | 气象杂货铺( meteogs ) 作者 | bugsuse 背景动机 AI，机器学习/深度学习技术（包括深层神经网络，DNN）在许多领域和应用中取得了很大的进展，包括医药、自动驾驶、社交媒体、金融工业等。在私有领域，人工智能的准确性和可用性方面的惊人增长具有显著意义。人工智能在气象学和海洋学领域也取得了显著的进展。然而，直到最近，在环境科学领域只有很少的AI应用开发工作。令人鼓舞的是，AI在这些领域的应用在不断增加，而且取得了令人鼓舞的结果，其中包括预测技能。随着卫星数据的不断增加以及社会依赖的增加，将会持续改善预报准确率和精度。来自高分辨率卫星和传感器，一系列新传感器，以及物联网背景下新观测设备的数据不断增加。这些数据的增加将给这些数据的应用带来极大的挑战，AI已经成为潜在的解决技术。 第四期主要内容 在预报中将数据同化与机器学习结合 通过AI检验气候信号 海洋环境中的视频和图片分析 通过人工智能和机器学习技术生成高时空分辨率的是飓风影像 资源获取 第一期PPT资料获取，后台回复NOAA1 第二期PPT资料获取，后台回复NOAA2 第三期视频获取，后台回复NOAA3 第四期视频获取，后台回复NOAA4 本文分享自微信公众号 - 好奇心Log（Curiosity-log）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”

—简介—— 脸部建模一直是计算机图像和视觉领域的热门话题，每个人脸模型的网格顶点个数各不相同，也就是拓扑结构不同。因此我们需要对我们的训练数据，做一个归一化处理。这里以世纪晟科技构建的一个快速的、交互的、基于深度学习的人脸建模框架为基础，展示级联形状回归模型在特征点定位任务上取得了重大突破。 ——级联线性回归模型—— 近来，级联形状回归模型在特征点定位任务上取得了重大突破，该方法使用回归模型，直接学习从人脸表观到人脸形状（或者人脸形状模型的参数）的映射函数，进而建立从表观到形状的对应关系。 面部特征点定位问题可以看作是学习一个回归函数F，以图象I作为输入，输出θ为特征点的位置（人脸形状）：θ = F（I） 简单的说，级联回归模型可以统一为以下框架：学习多个回归函数{f1 ,…, fn-1, fn}来逼近函数F： θ = F（I）= fn (fn-1 (…f1(θ0, I) ,I) , I) θi= fi (θi-1, I), i=1,…,n 所谓的级联，即当前函数fi的输入依赖于上一级函数fi-1的输出θi-1，而每一个fi的学习目标都是逼近特征点的真实位置θ，θ0为初始形状。通常情况，fi不是直接回归真实位置θ，而回归当前形状θi-1与真实位置θ之间的差：Δθi = θ - θi-1 ——典型的形状回归方法—— 如下图所示，给定初始形状θ0，通常为平均形状

月黑见渔灯，孤光一点萤。 当世界还沉浸在甜梦中不愿醒来的时候，在深圳南澳的某渔村，此起彼伏的发动机轰鸣，让凌晨的海湾回荡着不属于它的喧嚣。 一艘艘斑驳的渔船，载着一份份沉甸甸的期待，驶向大海…… 用AI听风辨雨，让天有可测风云 生死祸福，皆在风浪变化的瞬息之间 靠天、靠水、靠时运，渔民们的每一份收获，都是与大海博弈的结果。 东虹日头西虹雨，南闪乌云北闪风。这些代代相承、未“捕”先知的智慧，是渔民们从生产经验的“大数据”中摸索的，甚至是用生命的代价换来的。 渔民老杨说：“有些新手出海没经验，碰上风浪掌不好舵，人就这么没了。 天气预报太重要了 ，出不出海、去哪出海都得靠它，每次出发前必须要查。” 气象信息，是渔民的指南针和定心丸，更是渔民生命的保护伞。 “天有可测风云”：探寻气象预报新道路 在深圳这样多台风、多暴雨等气象灾害的沿海城市， 气象信息的重要性不言而喻 。 然而，天气预报始终是预测性的科学，其本质是在海量无垠，瞬时变幻的大数据里寻找唯一的答案，其困难程度可想而知。 为了帮助各单位根据天气合理安排计划，减少气象灾害造成的人员伤亡及经济损失，守护每一个深圳人，包括海上作业人员的安全，深圳市气象局始终在追求提高气象预报的准确性。 在这场与“风云数据”的对决中，AI的出现给予了人类新的力量。AI能通过深度学习大量的气象数据，寻找预测的线索，为人工预报提供强有力的辅助。 深圳市气象局+

点击上方 “ 机器学习与生成对抗网络 ”，关注"星标" 获取有趣、好玩的前沿干货！ 教程来自： https://github.com/PeterH0323/Smart_Construction 编辑:AI深度前沿视线 一、YOLO v5训练自己数据集教程 1.1 创建自己的数据集配置文件 1.2 创建每个图片对应的标签文件 1.3 文件放置规范 1.4 聚类得出先验框（可选） 1.5 选择一个你需要的模型 1.6 开始训练 1.7 看训练之后的结果 二、侦测 三、检测危险区域内是否有人 3.1 危险区域标注方式 3.2 执行侦测 3.3 效果：在危险区域里面的人体会被 红色框 选出来 四、生成 ONNX 五、增加数据集的分类 该项目是使用 YOLOv5 v2.x 来训练在智能工地安全领域中头盔目标检测的应用,先来一波演示！ 指标 yolov5s 为基础训练， epoch = 50 分类 P R mAP0.5 总体 0.884 0.899 0.888 人体 0.846 0.893 0.877 头 0.889 0.883 0.871 安全帽 0.917 0.921 0.917 对应的 权重文件 ：https://pan.baidu.com/share/init?surl=ELPhtW-Q4G8UqEr4YrV_5A，提取码: b981 yolov5m 为基础训练， epoch =

点击上方 “ 小白学视觉 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 前言 图像/视频拼接的主要目的是为了解决相机视野（FOV-Field Of View）限制，生成更宽的FOV图像/视频场景。视频拼接在体育直播、全景显示、数字娱乐、视频处理中都被广泛应用，同时视频/图像拼接涉及到矫正图像、对其与匹配图像、融合、统一光照、无缝连接、多尺度重建等各个图像算法模型与细节处理，可以说是图像处理技术的综合运用。特别是最近几年收到深度学习的影响，各种基于深度学习的图像对齐与拼接技术也取得了长足发展。 01 图像拼接流程 图像拼接流程主要是针对输入系列视频帧或者图像，基于像素像素或者特征点相似然后对齐图像、融合对齐之后的图像，更新全景图像拼接结果，图示如下： 最常见就是基于SIFT/SURF/OBR/AKAZE等方法实现特征提取，基于RANSAC等方法实现对齐，基于图像融合或者无缝克隆算法实现对齐图像的拼接。 针对不同的拼接方式可以分为图像拼接、视频拼接、全景拼接。针对图像拼接可以分为像素相似与特征相似；视频拼接又分为固定相机、移动相机；全景拼接分为单相机、相机列阵、鱼眼相机列阵。图示如下： 02 深度学习方法 通过卷积神经网络CNN可以更好的学习与提取图像特征、通过语义分割获取初始匹配、然后对齐，图示如下： 其中IA与IB是输入图像，CNN是预训练的特征提取网络模型