-
最近家里的笔记本github打开加载不出css样式和图片了。。
照网上的各种方法，修改hosts，各种刷新，都不行，很难受。
同一个网络，手机可以打开，所以考虑是电脑问题。
刷新ipconfig /flushdns，失败。
- unet
- 根据fnc进化而来的unet网络，总共19层卷积，4层池化,4层上采样,即27层。
激活函数为Relu函数，没有全连接层，没有用到softmax函数。 - unet开始用于医学用，（现在也用于很多建筑物方面和目标识别等），医学图像是一般相当大，但是分割时候不可能将原图太小输入网络，所以必须切成一张一张的小sample进行输入，输出时再将小sample一张一张拼接起来。
- Unet反向传播过程，卷积层和池化层都能反向传播，Unet上采样部分可以用上采样或反卷积，反卷积也可以表示为两个矩阵乘积，很显然转置卷积的反向传播就是也是可进行的。所以说整体是Unet是可以反向传播的。
3.深度学习一般步骤
大多数深度学习研究时，程序都需要实现以下几个功能：
- 模型定义
- 数据处理和加载
- 训练模型（Train&Validate）
- 训练过程的可视化
- 测试（Test/Inference）
分享一个程序的组织结构：
├── checkpoints/
├── data/
│ ├── __init__.py
│ ├── dataset.py
│ └── get_data.sh
├── models/
│ ├── __init__.py
│ ├── AlexNet.py
│ ├── BasicModule.py
│ └── ResNet34.py
└── utils/
│ ├── __init__.py
│ └── visualize.py
├── config.py
├── main.py
├── requirements.txt
├── README.md
其中：
-
checkpoints/： 用于保存训练好的模型，可使程序在异常退出后仍能重新载入模型，恢复训练 -
data/：数据相关操作，包括数据预处理、dataset实现等 -
models/：模型定义，可以有多个模型，例如上面的AlexNet和ResNet34，一个模型对应一个文件 -
utils/：可能用到的工具函数，在本次实验中主要是封装了可视化工具 -
config.py：配置文件，所有可配置的变量都集中在此，并提供默认值 -
main.py：主文件，训练和测试程序的入口，可通过不同的命令来指定不同的操作和参数 -
requirements.txt：程序依赖的第三方库 -
README.md：提供程序的必要说明
