- 博客(12)
- 收藏
- 关注
RSS订阅原创 显卡使用情况 和 检查自己脚本是否在用 GPU 的常见指令和方法汇总
一、通用显卡状态查看指令 ✅ 二、查看自己脚本是否在 GPU 上跑 1. 查看是否有你的进程： 在输出中找到 列对应你脚本的 PID，确认它在哪个 GPU 上（看左边 GPU 编号）。 示例： 方法 2：检查模型是否在 GPU 上或：或者多个卡：只会看到第 1 张 GPU，其它对脚本“不可见”。
2025-07-31 18:08:16
684
原创 模型参数 vs 超参数 —— 概念区别
计算 loss（由超参数 alpha/beta 控制各部分权重）模型会自动从头开始训练并更新内部参数（模型权重）超参数是固定的（除非你手动修改）需要加载上次保存的模型权重（用。优化器（如 Adam）使用。更新模型参数（权重、偏置）前向传播 → 计算预测结果。（参数是随机初始化的）反向传播 → 计算梯度。
2025-07-31 14:20:43
284
原创 ssh连接linux
scp -r "E:\pycharm项目" ad123@192.168.3.78:/home/ad123/SYM/，基于 SSH 的安全文件传输工具。# 连接 Linux。
2025-07-24 11:19:01
508
原创 计算机常见指令cd
（不是独立的可执行文件），在 Linux、macOS、Windows 命令行都存在。：切换并保存当前目录到栈。，而是回到文件系统的顶层。
2025-07-24 11:12:26
983
原创 代码类型 数据集
代码类型作用你跑的训练脚本训练模型 + 保存结果另外的分析脚本读取结果 + 计算指标 + 画图数据集主要作用在你的实验中的用途训练集 (Train)用来训练模型、更新参数训练 PINN 模型，进行梯度下降、优化参数验证集 (Validation)用来监控模型效果、提前停止训练（early stop），调节超参数用来监控模型，决定是否 early stop、是否继续训练测试集 (Test)最终评估模型性能，不能用于训练和调节。
2025-07-11 17:17:35
80
原创 为什么要划分 batch？
epoch（轮次）：指整个训练数据被完整训练一遍的过程。也就是说：一次 epoch = 模型看完一遍全部训练数据；每个 epoch 结束时，模型的参数就更新了一轮。概念意思epoch模型训练一遍所有训练数据的过程train loss当前 epoch 在训练集上的损失valid loss当前 epoch 在验证集上的损失MSE均方误差，损失指标之一lr学习率（控制模型每次更新的幅度）early stop提前停止，不再训练，防止浪费时间或过拟合batch_size（批大小）
2025-07-11 15:02:37
545
原创 机器学习工具
CUDA是硬件加速（动力发动机）TensorFlow是软件框架（搭建AI大楼）YOLO是具体的AI应用（在图片上找人找车）要不要我顺便也给你画一张超简单的 "深度学习流程图"，告诉你从数据集 → 模型 → 框架 → 加速 → 训练 → 应用，到底每一步是什么关系？只要说："画一下深度学习流程图" ✨我可以马上给你画一个超好懂的图～！🎯🚀要不要？
2025-04-28 14:43:37
531
原创 模型的初始化参数
依据调整方法数据量小减少树数量（n_estimators）、控制深度（max_depth）数据量大增加树数量特征多适当降低每次选择特征数（max_features）希望快减少树数量，限制树深度希望准增加树数量，放宽特征选择，深度灵活初始化参数是用来控制模型复杂度的，应该根据数据规模、特征数量、训练速度要求、以及模型效果需求来设置。初步靠经验，精细靠交叉验证。要不要我也顺便帮你举一个小例子，比如：给一份小数据，告诉你不同参数设置下，模型训练出的效果有多大差异？
2025-04-27 19:42:38
398
原创 机器学习中的概念（鲁棒性）
鲁棒性是指模型或系统在面对不确定性、噪声或异常情况时，能够保持稳定性能的能力。在机器学习中，提高模型的鲁棒性有助于处理噪声数据、提高泛化能力，并在不同的环境中维持较好的性能表现。
2025-03-29 07:31:34
1073
原创 机器学习中的概念（权重参数）
权重参数是机器学习模型中通过训练数据学到的参数，它们决定了输入特征对模型预测输出的影响。正则化通过对这些权重参数施加限制，减少模型的复杂度，从而防止过拟合，提高模型的泛化能力。在实际应用中，权重参数的优化是通过梯度下降等算法在训练过程中完成的。
2025-03-29 03:50:27
823
原创 机器学习中的概念（正则化）
正则化是一种有效的防止过拟合的技术，能够通过限制模型参数的大小或复杂度，帮助模型在测试集或新数据上表现更好。常见的正则化方法包括L1正则化、L2正则化和Elastic Net，它们各自具有不同的特性和应用场景。在实际应用中，选择合适的正则化方法和强度至关重要。
2025-03-29 03:39:29
874
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人