qq_39624083的博客

等命令去查看是找不到这个路径下的文件的。但同时也发现，所有程序都是通过docker运行的，而服务器之前并没有装过docker，所以是攻击者装的。： 这一步可能会挂载掉你的docker程序（如果你有的话），所以具体参考这个。无法完全杀死该命令，过几秒种就会自动重启，而且每次重启后的pid都不同。服务器上并没有运行的程序，GPU占用率为0%，但是cpu占用率很高。[挖矿命令的名字]：比如我的图片中的beam.smp。找到程序脚本所在地，先解除挂载，再删除脚本。[挖矿程序]：比如我的是beam.smp。

然后将在所有 3 个通道上得到的 3 个行向量，进行横向拼接，得到维度为 [1, 27] 的行向量。③ 依次将卷积核按照从左到右，从上往下的顺序，按照步长 1 进行滑动，每个滑动的区域经过步骤 ② 中处理后都能得到一个维度为 [1, 27] 的行向量，共得到 6 个维度为 [1, 27]，然后纵向堆叠成维度为 [6, 27] 的矩阵。③ 对于在每个通道上分别得到的第一个滑窗区域，分别进行 reshape 成行向量，然后把在所有通道上得到的行向量，进行横向拼接，得到新的行向量。

找到上述这个错误的位置，“PreciseRoIPooling/pytorch/prroi_pool/src/prroi_pooling_gpu.c”，注释掉原来的THC头文件，用以下的头文件代替。，出现这个问题的原因是pytorch1.7版本之后丢弃了这个头文件，网上给的解决办法大部分都是降级pytorch的版本。注意：上述显示的是已经安装的显卡驱动，和GPU所允许的最大CUDA版本，并不是已经装好的CUDA版本！重要的是第二个红框中的错误，表示gcc、g++的版本无法编译。（忘记截图，借用该帖子的图）

本来打算利用现成的光流网络模型来提取光流图，用下面的办法加载进去。之后两张图片作为输入送入flow_model得到光流图。，因此，加载的时候也得使用nn.DataParallel。记录一下这个问题，困扰了好久，终于解决了。找了好久资料，也没发现可靠的。后来仔细分析加载的网络发现，但是出现了下述错误。

于是怀疑是网络出现了问题，能ping通但是curl不下来，可能是服务器的代理出现了问题（因为之前尝试过在服务器上科学上网）。网上查找各种方法，都是建议切换镜像源。按照他们的教程使用conda修改了镜像源。今天帮同学解决问题，出现的问题是：服务器linux下装任何包都会出现如下错误。结果总是出现超时，在其他电脑或者本地不会出现超时的问题。使用下面的命令删掉这个文件，就可以使用其它镜像源。解决这个问题后，发现装包仍然是上述错误。所以，一直都是默认豆瓣镜像源。然后重新装包，发现成功了。有代理，无法正常上网。

神经网络训练集、测试集和验证集的原理理解

之前再看《python深度学习》的时候，对于词嵌入的理解并不透彻，对于那些晦涩难懂的专业描述也是走马观花式的一瞅而过，最近在读关于推荐算法的论文时遇到了图嵌入相关的问题，看的是一头雾水，于是又回归到了初始问题，什么是词嵌入，word2wec又是什么，图嵌入又是什么。在网上查了很多资料，发现大部分人的描述跟书本上一样晦涩，可能是我的理解能力并没有达到一定的标准，所以对他们的描述比较抵抗，现引用如下：Embedding 在数学上表示一个映射关系， F: X -> Y， 也就是一个函数。函数具有两个性

对特征工程和数据预处理之间的关系有些模糊，发现了两篇好文章，记录下来，以便以后能再次阅读。数据预处理和特征工程特征工程与数据预处理这两篇文章对于这两者之间的关系的解释似乎有一些不一样，但是其内容大致相同。所以其实在真实应用中两者并没有明确的分界线，特征工程包括数据预处理过程以及数据清洗等一系列过程，而数据预处理又涉及特征工程相关的一些技术和应用，所以在我们日常的使用中，这两者可以画等号。...

数据挖掘领域 主要包括以下方面：基础理论研究（规则和模式挖掘、分类、聚类、话题学习、时间空间数据挖掘、机器学习方法，监督、非监督、半监督等）社交网络分析和大规模图挖掘（图模式挖掘、社区发现、网络聚类系数估计、网络关系挖掘、网络用户行为分析、网络信息传播、社交网络应用，社交推荐（信息、好友等））大数据挖掘（算法的并行、分布式扩展、多源异构数据融合挖掘等）数据挖掘应用（医疗、教育、金融等）研究热点 是 大数据挖掘、社交网络和大规模图挖掘。下面，在说一下什么是大数据挖掘，它跟传统的方法其本质

本来跟着《python深度学习》学习卷积神经网络，但是发现这本书对于初学的小白并不是十分友好，有些专业名词的堆积让人根本不清楚在讲些什么。经过网上的不断寻找，再将一些博客对比学习，很快就明白了其中的原理。从零开始搭建神经网络-卷积神经网络(CNN)这篇文章对于卷积过程的原理介绍简单粗暴，没有那么多文字描述，同时理解起来也比较容易，再加上下面这篇博客中的same padding和value padding相关的两个动图，就对一些基础概念理解得比较透彻了。卷积操作的基础知识...

之前对于遗传算法的学习有些囫囵吞枣，知道大致思想是自然选择、优胜劣汰，通过大自然一代又一代的选择将适合的基因和物种逐渐保留下来，但是中间过程是如何实现的却并不清楚。这次有缘读了加利福尼亚大学几位老师写的关于在不平衡数据集上进行过采样相关的论文，他们巧妙地将遗传算法用于过采样的过程中，生成了一种新采样算法GenSample，主要来处理四类少数样本（safe、borderline、rare、outliers）中极难处理的离群值（outliers），来有效的避免SMOTE算法和ADASYN算法中的一些缺陷，同时

由于学到了相关pytorch神经网络的东西，所以需要安装pytorch包，在虚拟环境terminal中输入以下命令会出现如下所示的错误。pip install torchERROR: Command errored out with exit status 1:command: ‘D:\Anaconda3\envs\test\python.exe’ -u -c ‘import sys, setuptools, tokenize; sys.argv[0] = ‘"’"‘C:\Users\93763\

今天在学习《python深度学习》的时候，看到了这么一段话：评估模型的重点是将数据划分为三个集合：训练集、验证集和测试集。在训练数据上训练 模型，在验证数据上评估模型。一旦找到了最佳参数，就在测试数据上最后测试一次。你可能会问，为什么不是两个集合：一个训练集和一个测试集？在训练集上训练模型，然 后在测试集上评估模型。这样简单得多！突然就钻了个牛角尖，觉得验证集和训练集本是出自一个数据集，而且在一轮epoch时都运行的是同一个模型，最后都会得到各自的预测值，通过各自的预测值都能计算出各自的损失和精度

from keras.datasets import imdbfrom keras.datasets import reuters在anaconda3中使用tensorflow调用keras的数据集时，发现速度特别慢，甚至有时候会出现连接错误。Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/reuters.npzTraceback (most recent call last):F