mean

import pandas as pd import numpy as np from md import read_image from tqdm import tqdm import cv2 mean = 0.49999999997525235 std = 0.2092156204202305 filepath = r'/data/dataset/xx.xx/naru_data_mean/naru_data/0' pathDir = os.listdir(filepath) img_mean_list = [] img_std_list = [] for idx in range(len(pathDir)): filename = pathDir[idx] img = read_image(os.path.join(filepath, filename)).to_numpy() img = (img - img.min()) / (img.max() - img.min()) * 255 # 我的图像灰度值为1-1000，此操作为归一化 img_mean = np.mean(img) img_std = np.std(img) img_mean_list.append(img_mean) img_std_list.append(img_std) data_mean = np

统计检验是将抽样结果和抽样分布相对照而作出判断的工作。主要分5个步骤： 建立假设 求抽样分布 选择显著性水平和否定域 计算检验统计量 判定 —— 百度百科 假设检验(hypothesis test)亦称显著性检验(significant test)，是统计推断的另一重要内容，其目的是比较总体参数之间有无差别。假设检验的实质是判断观察到的“差别”是由抽样误差引起还是总体上的不同，目的是评价两种不同处理引起效应不同的证据有多强，这种证据的强度用概率P来度量和表示。除t分布外，针对不同的资料还有其他各种检验统计量及分布，如F分布、X2分布等，应用这些分布对不同类型的数据进行假设检验的步骤相同，其差别仅仅是需要计算的检验统计量不同。 正态总体均值的假设检验 t检验 t.test() => Student's t-Test require(graphics) t.test(1:10, y = c(7:20)) # P = .00001855 t.test(1:10, y = c(7:20, 200)) # P = .1245 -- 不在显著 ## 经典案例: 学生犯困数据 plot(extra ~ group, data = sleep) ## 传统表达式 with(sleep, t.test(extra[group == 1], extra[group == 2])) Welch Two

BCELoss CLASS torch.nn. BCELoss ( weight=None , size_average=None , reduce=None , reduction='mean' ) 创建一个标准来度量目标和输出之间的二进制交叉熵。 unreduced (i.e. with reduction set to 'none' ) 时该损失描述为： 其中N是批尺寸， 如果 reduction 不是 'none' (默认为 'mean' ), 则： 即，对批次中各样本损失求均值或求和。 其可以用来测量重构误差，例如一个自编码器。 注意目标y应该是0到1之间的数字。 Parameters： weight ( Tensor , optional ) – a manual rescaling weight given to the loss of each batch element. If given, has to be a Tensor of size nbatch . size_average ( bool , optional ) –（已弃用） Deprecated (see reduction ). By default, the losses are averaged over each loss element in the batch. Note that

损失函数的基本用法： criterion = LossCriterion() #构造函数有自己的参数 loss = criterion(x, y) #调用标准时也有参数 得到的loss结果已经对mini-batch数量取了平均值 1.BCELoss(二分类) CLASS torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean') 创建一个衡量目标和输出之间二进制交叉熵的criterion unreduced loss函数(即reduction参数设置为'none')为： N表示batch size，x n 为输出，y n 为目标 如果reduction不为'none'(默认设为'mean'),则： 即默认情况下，loss会基于 element求 平均值，如果 size_average=False 的话， loss 会被累加。 这是用来测量误差error的重建，例如一个自动编码器 。注意 0<=target[i]<=1。 参数： weight ( Tensor , 可选 ) – 每批元素损失的手工重标权重。如果给定，则必须是一个大小为“nbatch”的张量。 size_average ( bool , 可选 ) – 弃用(见 reduction 参数)。默认情况下，设置为True