- 博客(73)
- 收藏
- 关注
原创 accelerate 分布式框架
该框架包括 : DeepSpeed(三阶段:), FSDP, Megatron_LM 其中,Megatron_LM 集成了 TP(张量并行)、PP(流水线并行)、SP(序列并行)以及DP(数据并行)
2024-09-24 15:25:16 190
原创 linux nvidia-smi失败(已测有效)
b. 如果未安装驱动,则可以使用默认的开源驱动或手动下载和安装Nvidia驱动。常用的方法包括使用Nvidia官方提供的安装程序、通过包管理器安装或使用闭源驱动。环境变量配置错误:如果安装了Nvidia驱动但仍然无法找到nvidia命令,可能是由于环境变量配置错误导致的。nvidia命令未包含在安装的软件包中:另一个可能的原因是nvidia命令未包含在您安装的软件包中。Nvidia驱动未安装:首先,要使用nvidia命令,需要在系统上安装Nvidia驱动程序。c. 完成安装后,尝试运行nvidia命令。
2024-08-14 09:30:54 702
原创 Windows+wget
step1: 下载wget.exe ,链接:https://eternallybored.org/misc/wget/step2:将wget.exe移动到C:Windows/System32文件夹下。
2024-08-13 12:15:01 200
原创 mygene
ref:https://weiyan.cc/yuque/%E7%94%9F%E7%89%A9%E4%BF%A1%E6%81%AF/%E8%BD%AF%E4%BB%B6/2019-07-01-python-mygene/#mygeneinfo
2024-08-01 17:07:08 388
原创 Convert Ensembl IDs to gene symbols python包
【代码】Convert Ensembl IDs to gene symbols python包。
2024-07-31 17:20:15 208
原创 模型训练时,模型输出nan
在PyTorch中,梯度剪裁(Gradient Clipping)是一种常用的技巧,用于解决梯度爆炸问题。梯度剪裁可以限制梯度的大小,防止梯度变得过大而导致数值不稳定或模型性能下降。基于值的梯度剪裁通过将梯度的值限制在一定范围内来实现。PyTorch提供了torch.nn.utils.clip_grad_value_()函数来实现这一点。基于范数的梯度剪裁通过限制梯度的L2范数来实现。PyTorch提供了几种梯度剪裁的方法,包括基于范数的剪裁和基于值的剪裁。
2024-07-30 11:45:38 548
原创 element 0 of tensors does not require grad and does not have a grad_fn
确保所有的张量都是相同的数据类型,并且适合进行梯度计算。例如,使用 float32 而不是 int32。检查你的操作是否支持自动求导。例如,一些整数类型的张量操作不支持自动求导。
2024-07-26 15:39:27 195
原创 .tsv和.csv的区别和读取(python)
TSV (Tab-Separated Values): TSV 文件则使用制表符 \t 作为字段分隔符。相比CSV,TSV更适合于包含大量文本数据的表格,特别是当这些文本中可能包含逗号时,因为制表符在文本中出现的频率较低,能减少数据解析的歧义。CSV (Comma-Separated Values): CSV 文件使用逗号 , 作为字段(列)之间的分隔符。在Python中,读取这两种文件通常使用pandas库,因为它提供了简单且功能强大的数据处理接口。首先,确保你的环境中安装了pandas库。
2024-07-22 14:10:02 373
原创 Integrated Gradients (Pytorch)refs
2)usage : https://blog.paperspace.com/model-interpretability-and-understanding-for-pytorch-using-captum/https://captum.ai/docs/extension/integrated_gradients3)https://github.com/TianhongDai/integrated-gradient-pytorch
2024-07-15 13:45:05 335
原创 early-stopping pytorch refs
1)https://github.com/Bjarten/early-stopping-pytorch/blob/master/MNIST_Early_Stopping_example.ipynb2)https://machinelearningmastery.com/managing-a-pytorch-training-process-with-checkpoints-and-early-stopping/3)https://pytorch.org/ignite/generated/ignite.h
2024-07-15 11:37:53 382
原创 torchdata pytorch2.3 报错
报错:cannot import name ‘DILL_AVAILABLE’ from ‘torch.utils.data.datapipes.utils.common’
2024-05-21 17:24:06 1023
原创 mne-hcp
3 说明:由于mne-hcp后期无人维护,导致过高的mne版本可能无法直接适用,因此根据自己使用的mne更改对应的报错函数名称即可。
2024-04-22 15:25:42 221
原创 tvb配置
添加:-i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn。
2024-04-17 10:27:39 123
原创 mne自动配准得到trans文件
https://mne.tools/dev/auto_tutorials/forward/25_automated_coreg.html#sphx-glr-auto-tutorials-forward-25-automated-coreg-py
2024-04-03 17:14:22 91
原创 InfoNCE loss
InfoNCE loss的目标是最大化正样本之间的相似性得分,同时最小化负样本之间的相似性得分,从而促使模型学习到有意义的特征表示。通过优化InfoNCE loss,模型可以学习到对数据进行有效编码的特征表示,适用于自监督学习任务中的特征学习和表示学习。全称是"InfoNCE: Contrastive Estimation of Neural Entropy",基于对比学习的思想,旨在最大化正样本的相似性,同时最小化负样本的相似性。Σ j≠i 表示对所有其他负样本的求和。exp() 表示指数函数。
2024-03-26 10:29:54 694
原创 层归一化Layer Normalization
层归一化(Layer Normalization)是一种神经网络中常用的归一化技朧,用于在训练过程中加速收敛、稳定训练,并提高模型的泛化能力。与批归一化(Batch Normalization)类似,层归一化是一种归一化技朧,但是它是对每个样本的特征进行归一化,而不是对整个批次的特征进行归一化。其中,x是输入的特征向量,μ是特征向量的均值,σ是特征向量的标准差,γ和β是学习的缩放系数和平移系数,ϵ是一个很小的数用于稳定计算。每个样本的特征都被独立归一化,不受批次大小影响。
2024-03-13 11:20:49 1499
原创 大脑图谱-------
链接:https://www.lead-dbs.org/helpsupport/knowledge-base/atlasesresources/cortical-atlas-parcellations-mni-space/
2023-11-08 17:02:09 182
原创 macOS 安装brew
https://mirrors4.tuna.tsinghua.edu.cn/help/homebrew/https://www.yii666.com/blog/429332.html
2023-11-03 23:09:43 526
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