今天注意要去选课ECE 699

今天跟老板谈过了，老板说希望我用实验室的其他方法来训练，类似于学长的论文里的其他方法。

周末其实主要内容是睡觉，可能前几天熬夜做任务真的太累了。

希望今天能做完的事情有：

（0）弄清楚linux怎么传文件；（完成）

（1）实现图像分割的效果评价；（未完成，需要学长协助）

（2）不管怎么样理解透 Unet;（未完成，需要继续多看视频）

（3）继续看GAN课程一节；（完成）

（4）理解Dice loss function。（完成）

（5）理解Adam算法以及需要的参数。（完成）

一、Linux服务器上的文件怎么用链接的方式传送文件（常复习）

1、新建一个文件夹，叫做：public_html

2、然后把希望分享的文件放在里面（文件夹换成.zip的形式）

3、打开浏览器，在里面输入 “服务器的地址”+“~”+“自己的用户名”，从而打开了public_html的网页

4、对于要分享的文件，点右键，点“copy link address”，就可以了

5、可以把这个address复制到右键里等等

二、图像分割的效果评价

方法有两个：pixel evaluation 和 object evaluation 

今天下午我希望看完学长推荐的那一篇算法评价的文章。希望能在3点前看完文章。

Tip：是否把文章打印下来看的原则：字小的就不打印，字大的就都打印。

看文章笔记：

1、分析分割效果分为：qualitative evaluation和quantitative evaluation。即定性分析和定量分析。我今天主要仔细看定量分析部分。

2、分为 pixel-based and object-based metrics

3、对pixel based metrics，定义了三个参数：（能彻底理解）

pixel accuracy, type-I error, type-II error

其中涉及四个变量：true positives true negatives, false positives, false negatives 

TP:truepositive, 正确的阳性，说明预测是阳性，而且预测对了，那么实际也是正例。

TN:truenegative, 正确的阴性，说明预测是阴性，而且预测对了，那么实际也是负例。

FP:falsepositive, 假阳性，说明预测是阳性，预测错了，所以实际是负例。

FN:falsenegative, 假阴性，说明预测是阴性，预测错了，所以实际是正例。

4、 object-based metrics其实没有太看懂。

 object-based metrics有三种方法：

F1, Dice Index, Hausdorff Distance.

Ntp：正确的阳性，说明预测是阳性，而且预测对了，那么实际也是正例。

（分割后的object和groundtruth有50%的重叠）

Nfp：假阳性，说明预测是阳性，预测错了，所以实际是负例。

（分割后的object与groundtruth里的object有少于50%的重叠）

Nfn： 假阴性，说明预测是阴性，预测错了，所以实际是正例。

（一个groundtruth里的tubule没有对应的分割的tubule或者重叠小于50%.）

问题1：绝对值符号的含义，尤其是在wi那里。

问学长要evaluation的代码

晚上再看一遍。（重复看会更加理解。）

三、弄懂Unet代码

解决办法1：尝试看花书，但是发现自己看不太懂，或者说效率很低。

解决办法2：听李宏毅的机器学习课程。

四、训练GAN，去熟悉它

希望学长能够给我推荐GAN的入门代码

我看网上的GAN都是用tensorflow写的，但是我自己是用pytorch在做这个事情。需要改用tesorflow吗？