IsayIwant的博客

双括号问题：subfig 和 subfigure是不兼容的。去掉subfigure。

【代码】基础模板使用。

当你使用 print 函数打印对象时，Python 会检查是否定义了 extra_repr 方法，如果定义了，则会使用该方法返回的字符串来丰富对象的字符串表示形式。round的梯度是和clip一样的。模块中的Optimizer优化器对象也存在一个state_dict对象，此处的state_dict字典对象包含state和param_groups的字典对象。state_dict.pop(k) 是 Python 字典（dictionary）的一个方法，用于移除字典中键为 k 的项，并返回该项的值。

保存成svg——>可以直接拖到visio里面（pdf不行）但是svg保存的时候会出现错位——>把svg转成emf，就不会出现错位了。

pytorch提供的一些inplace选项，如nn.ReLU(inplace=True)、nn.LeakyReLU(inplace=True)，这些选项的安全性要高一些，但也需要注意中间变量后续是否需要，如果后面还需要使用中间变量，就应当设置inplace=False。同时，一些常见的操作如x.add_(y)、x.mul_(y)也会直接改变x，除非有特定需求，否则不建议使用这类inplace操作，隐患比前两种情况高很多。还有，非叶子节点也不会去计算梯度的，因为没有意义，只是中间量，不是待优化的参数。

记录两次独立解决问题的过程：目前来看，问题分为几种：抄代码的时候抄错了，比如dim=1写成dim=0这种逻辑错误，如果两份代码没什么差别的话，那么肯定是逻辑错误。下面的两个问题都是逻辑错误，因为语法错误其实是会报错的，

《Enabling DeepSpikingNeuralNetworks with Hybrid conversion and SpikeTimingDependent Backpropagation》 - 知乎

如果你的时间都放到de一个bug上，那我觉得这实际上是纯粹的浪费，debug的时间永远是浪费了的，不如去打把游戏，所以每次debug都是在浪费生命，你要警惕自己在干什么。比如从数据本身入手，数据没问题，看模型，是否是模型的问题，再看是否是训练代码的问题。在代码找bug的过程中，如果确定你某个程序跑的结果不对，不要再继续试别的，想要“撞大运”指望跑着跑着“自己就好了”是不可能的。，比如检测某些指标，证明你这个程序是错的，设计loss，acc实验。养成好的代码习惯，写过的代码一定是对的，至少没有低级的错误。

解释器设置影响了 VSCode 中运行 Python 脚本、调试、代码补全等功能的行为。VSCode 会根据你选择的解释器来执行这些操作。PyTorch 中的索引张量必须包含整数值。确保 label 是一个整数张量，可以通过使用 .long()发生你在终端激活了一个环境，但 VSCode 依然使用之前的解释器的情况。squeeze是要赋值的，除了extend都要赋值。出错肯定是自己对一些东西的理解出错了，，那就去一点点排查到底哪里出错了。

Batch Normalization 在其操作中包含了均值的减去和方差的除以等操作，这些操作本身具有平移和缩放的效果。如果在 Batch Normalization 层之前加上了偏置，它的作用在某种程度上会被 Batch Normalization 的操作所抵消，从而可能减弱 Batch Normalization 的效果。通常，在batch normalization层之前的层中是没有bias的，因为这是无用的，也是对参数的浪费，因为任何常数都会被batch normalization抵消掉。

比着这个一步步做就行。上传文件可以看这个注意：密钥ssh-keygen设置好之后，以后就不用每次输入账号密码才能访问了。otherwise，每次要输入账号密码。这里可以看到git add .会忽略.gitignore里面的内容（灰色）git push在第一次使用的时候要标清楚<远程>，<本地>这样下次用git push的时候，就默认使用上述的参数。

pandas读取出来的是Series或者DataFrame，DataFrame是一列列Series加起来的。所以是按照列来组织的。（默认一列的数据类型是一样的）我们可以看到组织形式，首先是ndarray的形式，而不是list，因为项与项之间没有。上面是符合逻辑的，list的特性是内容的数据类型可以不同，所以每一项就是一行。，也可以发现同类型元素是一个小的ndarray，存放着一个字符串类型。[‘2020112001张，2020112001晏’]…：[‘2020112001张，2020112001晏’]

这实际上不会按你期望的方式工作。原因在于 ‘irnn’ 是一个非空的字符串，因此它在布尔上下文中被视为 True。所以条件总是为真，而不会考虑 args.model 的值。

self.rnn 的赋值行末尾的逗号将 nn.RNNCell(32, self.hidden_size) 视为一个包含单个元素的元组，而不是一个单独的对象。8*541 = 18,142,976 不符合reshape需要满足的条件，即，我们在reshape之前其实应该知道。，要不就无法保证前后维度的等效性。返回的是经过变换后的tensor。tensor，array啥的。extend无返回值，对。必须加int，是为了。

例如，如果你将形状为[5266, 32, 541, 1]的张量的第3和第4维度交换，你得到的张量仍然包含相同的元素，但它们在张量中的排列方式不同，变成了形状为[5266, 32, 1, 541]的张量。squeeze 函数有一个可选的参数，即 dim，它指定了要挤压的维度。举一个例子，你的目的是要跑RNN，用RNNCELL，那么首先外部循环的肯定是seq_len，每次输入。仅删除指定的维度，如果该维度大小为1。只要你给的数据的维度能对得上就没有任何问题，最主要的是。你的目标也就是得到每次的输入。

在PyTorch中可以使用下面两种方式去调用，分别是torch.nn.RNNCell()和torch.nn.RNN()，这两种方式的区别在于RNNCell()只能接受序列中单步的输入，且必须传入隐藏状态，而RNN()可以接受一个序列的输入，默认会传入全0的隐藏状态，也可以自己申明隐藏状态传入。最大的问题在于忽略了Channel这一维度，其实称之为特征维度：无论是1d，2d，3d都是在描述数据的多少，比如一个序列长度为12，比如一个图片的像素点有12 * 12个。，其中 1 表示时间步维度。

当RNN只有一个神经元时，即最简单的one-to-one：youtube上的视频教学，理解是对的，当前的hidden层（别管有几个神经元）一对一的传给下一个状态。，一次只能处理一个序列中的一个单元（如单词），如“I love china”这个序列，RNN网络一次只能处理一个单词，无法并行的处理整句话（多个单词组成的序列）时序逻辑电路在逻辑功能上的特点是：任意时刻的输出不仅取决于当时的输入信号，而且还取决于电路原来的状态，或者说，还与以前的输入有关。而他的缺点就是：RNN网络不能并行的处理序列。

基础画图，loss，acc

对于稍大型的项目来讲，依赖的第三方库很多，所以，如果能够自动生成这个文件，将大大提升我们的工作效率。幸好有 pipreqs 这个工具，能自动生成requirements.txt。python 通过提供 requirements.txt 文件来对项目中依赖的第三方库进行整体安装，用户不用手动的一条条去敲 pip install 命令，只需要执行。pip3，安装了python3之后，会有pip3。如果你的电脑只安装了Python3，那么不管用pip还是pip3都一样的。就可以安装项目所需要的所有软件包。

三篇搞懂。