qq_35398033的博客

商汤算法岗实习面经面试安排 ：3轮技术面+1轮HR面一面（1小时）：1.自我介绍：简单介绍一下自己的研究方向，研究成果，做了哪些实验2.详细描述一下做过的实验。怎么做的，为什么这么做，效果怎么样，结论是什么3.了解目标检测吗（我做的视频动作识别），问了一些目标检测的基础，IOU，NMS，Focal Loss，Focal Loss的缺点以及如何改进等等4.手撕代码：给定两个字符串str1和str2，再给定三个整数ic，dc，rc，分别代表插入、删除、替换一个字符的代价，返回将str1编辑成str2

Python 多变量赋值的机制在刷LeeCode反转链表这道题时（输入: 1->2->3->4->5->NULL 输出: 5->4->3->2->1->NULL），遇到了一个很有意思的问题。以下是解答区给出的实现方法，采用多变量同时赋值# Definition for singly-linked list.# class ListNode:# def __init__(self, x):# self.val

首先要明确在Pytorch当中，计算得到的梯度是默认累加的，而不是下次计算梯度就自动清零上一次的梯度值。这样做的好处有以下几点：1、减小multitask的内存消耗​ 在PyTorch中，multi-task任务一个标准的train from scratch流程为：for idx, data in enumerate(train_loader): xs, ys = data pred1 = model1(xs) pred2 = model2(xs) lo

总的来说，分布式训练分为这几类：按照并行方式来分：模型并行 vs 数据并行按照更新方式来分：同步更新 vs 异步更新模型并行 vs 数据并行假设我们有n张GPU：模型并行：不同的GPU输入相同的数据，运行模型的不同部分，比如多层网络的不同层；数据并行：不同的GPU输入不同的数据，运行相同的完整的模型。当模型非常大，一张GPU已经存不下的时候，可以使用模型并行，把模型的不同部分交给不同的机器负责，但是这样会带来很大的通信开销，而且模型并行各个部分存在一定的依赖，规模伸缩性差。因此

Ubantu16.04+CUDA10.0安装mmaction以及提取UCF101的frame和optical flow研一刚转到视频动作识别方向，因为很多模型都需要光流输入，因此不得不安装第三方库提取光流。尽管现在该领域何凯明大佬的最新成果，Non-Local模块以及SlowFast-Net只用视频帧作为输入，无需光流就能碾压之前所有模型。但是对于视频的抽帧，提取光流，以及标准化为数据集等基本处理是必不可少的。在安装mmaction过程中踩坑无数，甚至有个问题到现在还没解决，所幸还算是安装成功了，至少能用

目录安装步骤：遇到错误的解决办法：错误1：运行./bootstrap时出现报错：错误2：make install时出现报错：错误3：执行cmake --version时提示没有那个文件或目录：解决cmake时报错：CMake 3.8 or higher is required. You are running version 3.5.1提示目前的cmake版本过低的问题。安装步骤：查看当前cmake版本：cmake -version卸载当前cmake：（如果安装了ROS跳过此步）

Linux中默认Python版本的切换进入/usr/bin文件夹下，打开命令行终端。2、进入虚拟环境所在文件夹，选取创建环境时随之设定创建的Python编译器。3、安装所需要的库。这里有两种方法。一种是直接按下图所示，点击 + 一个个安装，但是有可能没办法安装你所需要的版本，例如Pytorch就只有0.1和1.1两个版本。如果我需要的是0.4.1，显然就无法安装。使用第二种方法可以解决这个问题，直接在命令行终端，进入本虚拟环境，使用conda命令安装指定版本库即可。此外，为避免手动一个个安装库，还可

Linux下anaconda创建虚拟环境以适应各种版本需求的深度学习代码（搭配Pycharm使用）这是我的第一篇博客（汗颜），想借写博客来记录学习路上的各种心得以及爬的坑，同时对自己也是一种激励。因为各种模型使用的环境各不相同，因此针对不同的模型配置不同的虚拟环境来运行，能省去很多不必要的麻烦。因此将这个流程记录一下。anaconda创建虚拟环境这部分主要是参考以下两位博主的内容。使用anaconda创建虚拟环境: https://blog.csdn.net/amateur_hy/article/