——使用 PyTorch 进行深度学习 | 年医学影像竞赛 ( Deep learning with PyTorch | Medical Imaging Competitions )

hi,本课程不适合初学者，更注重实践。虽然我尽力解释为什么要执行特定步骤，但我几乎没有花精力解释基本概念，例如卷积神经网络、优化器如何工作、如何创建 ResNet、DenseNet 模型等。本课程适合那些曾研究过 CIFAR、MNIST 数据并希望在现实生活场景中工作

我的重点主要是如何参加比赛，获取数据并根据该数据训练模型，然后提交。在本课程中使用PyTorch 闪电

该课程涵盖以下主题

1. 二元分类
   1. 获取数据
   2. 读取数据
   3. 应用增强
   4. 数据如何从文件夹流向 GPU
   5. 训练模型
   6. 获取准确度指标和损失
2. 多类分类（CXR-covid19竞赛）
   1. 蛋白增强
   2. 编写自定义数据加载器
   3. 在 XRay 上使用公开的预训练模型
   4. 使用学习率调度器
   5. 使用不同的回调函数
   6. 当图像位于文件夹中时进行五折交叉验证
   7. 训练、保存和加载模型
   8. 通过集成学习获取测试预测
   9. 将预测提交到竞赛页面
3. 多标签分类（ODIR竞赛）
   1. 同时对两个图像应用增强
   2. 建立并行网络同时拍摄两幅图像
   3. 将二元交叉熵损失修改为焦点损失
   4. 使用竞赛组织者提供的自定义指标来获取评估
   5. 获取测试集的预测
4. Capstone 项目（Covid-19 感染百分比估计）
   1. 如何提出解决方案
   2. 代码演练
   3. 模特合奏的秘诀
5. 语义分割
   1. 从nii.gz下载数据并读取数据
   2. 同时对图像和掩模应用增强
   3. 在 NIfTI 图像上训练模型
   4. 绘制测试图像以及相应的地面实况和预测掩模