经过上周的努力，嗅球识别模型的命中率已经比较可观了，但是误判率还是比较高。上周五老师给了我一份新数据，标注的是包括嗅球的周围白色区域的标签，类似下图蓝色部分：
然后我产生了初步的利用白色区域标签的想法，即像训练嗅球那样训练出分割白色区域的模型，然后对于一张验证图片，分割出如上图所示的蓝色标签（白色区域）和红色标签（目标嗅球区域）。先前的嗅球区域会有一些错误并且偏离较大的预测，暂时简单的想法在识别出的白色区域下方设置一个阈值，超过这个阈值的预测认为是无效预测
接下来的问题就是像训练嗅球数据集一样训练白色区域的数据集了。我一开始的想法就是像训练嗅球一样，把nii数据转化成png之后一样的代码再训练一遍就是，但是仔细想想，既要训练嗅球，又要训练白色区域，这很明显是一个多分类问题，U-Net网络本来就支持多分类识别，那我是否可以在原来的代码基础上改动下输入的channel和class数呢？
这周主要尝试的是裁剪中间320x320区域，输入网络后使用focal loss作为loss function进行训练。一开始也尝试了BCE loss，因为**兄发的focal loss有一些小小的python版本兼容问题，而我之前在GitHub上看的一个UNet是用BCE loss，然后就一边弄focal loss的代码一边服务器上先跑着torch自带的BCE loss看看效果。但是BCE loss的结果出来并不是很好，后面就都用focal loss跑了
尝试了学习率lr=0.0001和lr=0.00001，因为图片被裁剪的相对原图比较小，所以也尝试了batch size=8的训练。在此之前我只知道这个超参数是指每次喂入网络的样本数，并不知道其对训练轮数有什么样的影响，查了相关资料后知道了epoch、 iteration和batch size这三者的关系：
以及一篇比较好的讲解：
深度学习中的batch的大小对学习效果有何影响？ - 程引的回答 - 知乎
https://www.zhihu.com/question/32673260/answer/71137399
最后训练出来lr=0.00001时后面迭代次数比较高的checkpoint比较好，下面是batch size=4时迭代第30000次的结果中的一张图，大部分分割结果都和下图类似：
朋友，想必你最近登录微软、谷歌的时候已经注意到，输入用户名和密码的逻辑似乎和先前不大一样了。当你熟练地敲下你那文艺的用户名，左手小拇指轻轻按下 tab 键，诶？？？说好的密码框呢？最近看到一篇文章 Why are the username and password on two different pages? 比较好的阐述了这个转变的缘由。
搭建集群其实就是配置网络，本文以 VMware 和 CentOS 为例，其他的虚拟机软件和发行版设置大体相同
一般虚拟机网卡有三种选择：
为了让集群内每一台机器都有静态的内网ip，又有外网访问权限，同时又不受不同物理路由器的 DHCP 策略影响，NAT 模式显然是最好的办法。下面就来配置 NAT 模式的虚拟网卡和虚拟机静态 ip
在虚拟机上搭建Hadoop+HBase集群
下图配置的虚拟机*3，来搭建集群
之前是在我吃灰的公网服务器上搭的，服务器网络环境比较复杂：共有三台公网服务器，两台处于同一内网，第三台单独在外网
搭建的时候Hadoop监听ip0.0.0.0，没有问题，集群可以正常访问，3台DataNodes全部在线；
但是搭建HBase的时候，如果Master监听0.0.0.0，就无法作为clinet访问hdfs://0.0.0.0:9000；如果Master监听127.0.0.1，就无法作为server向外网（这里指除loopback之外）广播本机端口导致zookeeper通信失败。如果都配置为外网ip，则根本无法监听。。。
笔者使用的腾讯云服务器类似亚马逊的EC2，问题详见
以及：
搞了两天最后发现是这个NAT公网ip的问题，tears~
服务器上即使全写公网ip也不行，因为这种奇葩的NAT转换会导致服务无法直接监听自己的公网ip，换虚拟机正常的局域网ip就没问题，祭奠这两天来对着黑窗口看过的所有日志😭
如果头铁的话，应该也可以配置这种带NAT的复杂的内外网网络集群，只是针对每台主机需要单独配置hosts和对应的监听/访问地址配置。