上周发了个博客说多分类应该用一个像素代表不同值的方式来实现，今天又仔细研习了一下 github 上这个 issue，看了作者的回复，感觉还是应该用多通道作为输入。
于是我把unet传入的n_classes参数改成了2，然后让传入的数据形状和unet输出预测的形状一致，把嗅球和白色区域数据用torch.cat叠起来，最后两个通道输出扩充一个通道保存成3通道RGB的形式

- 阅读剩余部分 -

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？

- 阅读剩余部分 -

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：

1. batch size：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batch size个样本训练；
2. iteration：1个iteration等于使用batch size个样本训练一次；
3. epoch：1个epoch等于使用训练集中的全部样本训练一次；

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：

- 阅读剩余部分 -

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。

- 阅读剩余部分 -

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：

• 桥接模式：
  把虚拟机网络部署到和宿主机同级局域网下，路由是宿主机连接的物理路由器，有外网
• 仅主机模式：
  仅在虚拟机和宿主机之间搭建局域网，没有外网
• NAT 模式：
  在仅主机模式的基础上做了 NAT 映射，既有内网也有外网，相当于把宿主机当作软路由

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

- 阅读剩余部分 -