git操作
git操作 git clone 克隆仓库 git clone https://github.com/cs-lb/lnnu_medicine_order.git2. git checkout -b {分支名称} 在本地创建一个分支 在本地分支修改代码 提交本地修改，在远程仓库创建同名分支，并推送过去 1234git add .git commit -m "commit mes
Swin-transformer
Swin-transformermask 作用swin采用了滑动窗口的机制 好处是之间被分割的小窗口只能在窗口内部通信，大窗口滑动后能够使得曾经不能在一起通信的图像像素现在能互相计算了。 大窗口滑动后，将被移出去的图像又对称性得移动到大窗口中来。此时为了限制原始图像时不是挨着的窗口 就算移动后现在挨着了也不能相互通信，因此采用mask方式来限制（即给想要丢弃的部分赋值为无穷或者-100，使得其so
注意力机制
注意力机制注意力机制相关介绍链接 深度学习中一些注意力机制的介绍以及pytorch代码实现 注意力机制的种类 聚焦式注意力和显著性注意力 聚焦式注意力： 显著性注意力： 通道注意力（Channel Attention），空间注意力（Spatial Attention），分支注意力（Branch Attention），自注意力（Self Attention）和交叉注意力（Cross Atten
激活函数
激活函数机器学习中的数学——激活函数：基础知识 sigmoidSigmoid函数： Sigmoid函数将输入值映射到0和1之间，具有平滑的S形曲线。其数学表达式为 [\sigma(x) = \frac{1}{1 + e^{-x}}]，适合用于二分类问题输出概率值 特点：它能够把输入的连续实值变换为0和1之间的输出，特别的，如果是非常大的负数，那么输出就是0；如果是非常大的正数，输出就是1
深度学习超参数的介绍
深度学习超参数的介绍学习率深入理解神经网络学习率(定义、影响因素、常见调参方法、关键代码实现) 深度学习中的学习率（Learning Rate）是一个至关重要的超参数，它决定了模型在训练过程中更新权重参数的速度与方向。在使用梯度下降法（Gradient Descent）或其变种（如随机梯度下降，Stochastic Gradient Descent, SGD）优化模型时，学习率扮演着核心角色。 具
深度学习模型微调
深度学习模型微调（Fine-tuning）由于在很多任务场景下，所能够使用到的数据集往往样本较少，这个时候就会思考能不能使用一些在较大数据集（如ImageNet）上训练好的模型，对其进行微调，进而运用在自己的领域任务上，即迁移学习和模型微调 微调时通常使用更强的正则化、更小的学习率、更少的数据迭代