ifingovo的博客

import osos.environ[“CUDA_VISIBLE_DEVICES”]="-1"

问题描述tensorboard中数据如下：想要把数据读取到本地尝试操作：1.使用博文中的方法博文连接出现错误key的列表为空2.把数据上传到TensorBoard.dev，再用dataframe读取由于图片问题安装的TensorBoard是阉割的，没有函数tensorboard.data.experimental.ExperimentFromDev()解决方案：官方readme直接从第一幅图里就下载下来了=。=为因愚蠢而牺牲的一个多小时默哀TAT...

更改内容：将原来的9个anchor改成了6个（每个尺度的更改为2个）操作方式：1. 更改config文件中的anchor_per_scale3为22. 更改yolov3.py中的sbbox,mbbox,lboox里面的anchor*(num_class+5)def decode里的conv_output和xy_griddef compute_loss里的conv...

文本表示的方法：BOW（bag of words）：BOW可以理解为语料库的去重集合，并对集合内的每个单词做唯一索引。之后就可以用该集合构成的一维向量表示语料库中的句子。假设有两个简单文档：文档一：John likes to watch movies. Mary likes too.文档二： John also likes to watch football games.基于上述15个单词的语料库，构建如下一个字典（或者其他集合形式也行）：Vocabulary= {“John”: 1, “l

在多分类问题中：笔者理解logit是一个催化剂的作用，它扩大了数据之间的差异性，使一些由于值域有上下限的问题数据之间的差别更大了。之后用softmax函数将扩大后的数据再映射到概率区间（0，1），输出概率最大的类别为预测值，再用cross entropy函数计算损失值。附上公式：logit函数：softmax:cross enropy:yi是正确解的标签，pj是该标签下预测出来的概率流程为（粗略）：若是一个四分类问题，softmax输出概率为（0.2，0.1，0.6，0.1）对应索引