乄洛尘

照例，吐槽一下之前CSDN博客中关于tensor.masked_fill_ (mask,value)函数，如你所见，大部分的博客都是强调 mask 的 shape 必须和tensor一样，但是咋就没有同学考虑广播机制的存在捏？

最近找到一些计算FLOPs的文章，奈何全是水文，讲都讲不清楚，完完全全的究极缝合怪。因此，这里准备彻底搞懂。

Pytoch tensor.max（x，y） 两个tensor的比较一、例子二、输出结果三、结论写在前面大部分博客写的基本上都是关于 torch.max(input,dim)这种基本操作，殊不知torch.max还有一种比较两个tensor大小的操作。一、例子import torchx = torch.randn([4, 1, 2])y = torch.randn([2, 2])print("x",x,x.shape,"\n")print("y",y,y.shape,"\n")z =

tensor里面的切片（非普通索引切片）操作1、介绍2、实验结果3、结论1、介绍在某个程序里面发现一个tensor新奇的切片操作：利用list进行切片，对，你没有看错，就是列表切片！import torchoriginal = torch.randn(2,25800) # 创建一个二维tensorprint("original.shape", original.shape) # torch.Size([2, 25800])index_1 = torch.tensor([[0],

解决torch.save(outputs, "xxx.pth"）时报运行内存不足的错误：kill - 9一、 问题描述二、原因分析三、解决办法四、结论附注：读取 **XX.pth、.th、npy、npz**等文件的方式一、 问题描述在利用Faster_RCNN批量提取proposal特征时，报运行内存不足。二、原因分析一般该问题在批量提取数据集特征时特别容易出现，原因例如采用了下列这种结构：results_dict = {}results_dict.update({img_id: result

转载于：https://blog.csdn.net/qq_42079689/article/details/102574358参考：《动手学深度学习》(Pytorch版)作者在这里讲解了transforms.Normalize()的原理：transforms.Normalize( mean = (0.5,0.5,0.5), std = (0.5,0.5,0.5) )并不是指将张量的均值和标准差设为0.5，而是做这么一个运算：输入的每个channel做 ( [0, 1] - mean（0.5) )/ st