2021年5月总结：小tips

最新推荐文章于 2023-09-26 17:40:18 发布

房小二

最新推荐文章于 2023-09-26 17:40:18 发布

阅读量334

点赞数 1

分类专栏：其它

本文链接：https://blog.csdn.net/qq_42825221/article/details/116646438

版权

其它专栏收录该内容

10 篇文章 1 订阅

订阅专栏

本文汇总了多种编程技巧，包括matplotlib图例布局调整、python列表降维、Colab使用技巧、Ubuntu系统信息查看、CUDA_VISIBLE_DEVICES设置、PyTorch内存管理等，涵盖了Python、Matplotlib、TensorFlow等工具和技术。

摘要由CSDN通过智能技术生成

1. matplotlib中如何将图例排成多列？

plt.legend(ncol=2)

#ncol参数可以设置，如成两列

2. python 列表降维_如何给列表降维？

oldlist = [[1, 2, 3], [4, 5]]
newlist = [1, 2, 3, 4, 5]
# 法1
newlist = oldlist[0] + oldlist[1]
# 法2
newlist = [i for j in range(len(oldlist)) for i in oldlist[j]]
# 法3
newlist = sum(oldlist,[])

3. colab防止断开连接，设置自动点击
避免断开连接的方法是，通过console的JavaScript来完成，在网页内，按键 Ctrl Shift + I，跳到cosole的tab，输入以下的内容：

function ConnectButton(){
    console.log("Connect pushed"); 
    document.querySelector("#top-toolbar > colab-connect-button").shadowRoot.querySelector("#connect").click() 
}
setInterval(ConnectButton,60000);

这会在每60秒过后去点击连接按钮，保持连接。

这样，按照官方的标称，你就可以长时间使用kenerl达12个小时才会断开。

如果执行完毕了，可以停止这个javascript，定义上面那个函数为空就行了：

function ConnectButton(){
    
};

4. 创建python2的colab
https://colab.research.google.com/#create=true&language=python2

5. torch是否在用gpu？

import torch
a = torch.cuda.is_available()
print(a)

ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print(device)
print(torch.cuda.get_device_name(0))
print(torch.rand(3,3).cuda())

6. ubuntu系统查看CPU信息
总核数 = 物理CPU个数 X 每颗物理CPU的核数
总逻辑CPU数 = 物理CPU个数 X 每颗物理CPU的核数 X 超线程数

查看物理CPU个数：

cat /proc/cpuinfo| grep "physical id"| sort| uniq| wc -l

查看每个物理CPU中core的个数(即核数)：

cat /proc/cpuinfo| grep "cpu cores"| uniq

查看逻辑CPU的个数：

cat /proc/cpuinfo| grep "processor"| wc -l

查看CPU信息（型号）：

cat /proc/cpuinfo | grep name | cut -f2 -d: | uniq -c

查看cpu信息：

cat /proc/cpuinfo

7. ubuntu系统其它常用命令
查看内存大小：

free –m

查看磁盘大小：

df

查看显卡型号：

lspci |grep VGA

查看gpu的内存使用情况：

nvidia-smi

每隔1s刷新一次gpu使用情况：

watch -n 1 nvidia-smi

8. 设置CUDA_VISIBLE_DEVICES

使用python的os模块：

import os
os.environ['CUDA_VISIBLE_DEVICES']='0'

9. python2转python3容易出现的问题

（1）python3的环境对于除法的规则和python2不一样，把/换成//,后者的运算能够保证是int型数据。
（2）bytes 和 str 互相转换：python的str类型在python3中读出来之后默认是byte类型。

str.encode('utf-8')
bytes.decode('utf-8')

10. yield用法
在这里插入图片描述

11. matlab作图细节
（1）去掉右边框和上边框的刻度


box off
ax2 = axes('Position',get(gca,'Position'),...
           'XAxisLocation','top',...
           'YAxisLocation','right',...
           'Color','none',...
           'XColor','k','YColor','k');
set(ax2,'YTick', []);
set(ax2,'XTick', []);
box on

（2）背景设为白底
set(0,'defaultfigurecolor','w');

12. tensorflow-gpu动态调用内存

config = tf.ConfigProto(allow_soft_placement=True, allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.4  #占用40%显存
sess = tf.Session(config=config)

记录设备指派情况 : tf.ConfigProto(log_device_placement=True)
设置tf.ConfigProto()中参数log_device_placement = True,可以获取到 operations 和 Tensor 被指派到哪个设备(几号CPU或几号GPU)上运行,会在终端打印出各项操作是在哪个设备上运行的。
自动选择运行设备： tf.ConfigProto(allow_soft_placement=True)
在tf中，通过命令 with tf.device('/cpu:0'):,允许手动设置操作运行的设备。如果手动设置的设备不存在或者不可用，就会导致tf程序等待或异常，为了防止这种情况，可以设置tf.ConfigProto()中参数allow_soft_placement=True，允许tf自动选择一个存在并且可用的设备来运行操作。
限制GPU资源使用：
为了加快运行效率，TensorFlow在初始化时会尝试分配所有可用的GPU显存资源给自己，这在多人使用的服务器上工作就会导致GPU占用，别人无法使用GPU工作的情况。
tf提供了两种控制GPU资源使用的方法，一是让TensorFlow在运行过程中动态申请显存，需要多少就申请多少;第二种方式就是限制GPU的使用率。
(1)动态申请显存

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)

（2）限制GPU使用率

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.4  #占用40%显存
session = tf.Session(config=config)

或者

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)
config=tf.ConfigProto(gpu_options=gpu_options)
session = tf.Session(config=config)

13. 调优方法：学习率调参大法：warmup
warmup
warmup是一种学习率优化方法（最早出现在ResNet论文中）。在模型训练之初选用较小的学习率，训练一段时间之后（如：10epoches或10000steps）使用预设的学习率进行训练。

因为模型的weights是随机初始化的，可以理解为训练之初模型对数据的“理解程度”为0（即：没有任何先验知识），在第一个epoches中，每个batch的数据对模型来说都是新的，模型会根据输入的数据进行快速调参，此时如果采用较大的学习率的话，有很大的可能使模型对于数据“过拟合”（“学偏”），后续需要更多的轮次才能“拉回来”；
当模型训练一段时间之后（如：10epoches或10000steps），模型对数据具有一定的先验知识，此时使用较大的学习率模型就不容易学“偏”，可以使用较大的学习率加速模型收敛；
当模型使用较大的学习率训练一段时间之后，模型的分布相对比较稳定，此时不宜从数据中再学到新特点，如果仍使用较大的学习率会破坏模型的稳定性，而使用小学习率更容易获取local optima。

14.pytorch GPU 计算过程中出现内存耗尽
pytorch GPU 计算过程中出现内存耗尽
Pytorch GPU运算过程中会出现：“cuda runtime error(2): out of memory”这样的错误。通常，这种错误是由于在循环中使用全局变量当做累加器，且累加梯度信息的缘故，用官方的说法就是：“accumulate history across your training loop”。在默认情况下，开启梯度计算的Tensor变量是会在GPU保持他的历史数据的，所以在编程或者调试过程中应该尽力避免在循环中累加梯度信息。

total_loss=0
for i in range(10000):
    optimizer.zero_grad()
    output=model(input)
    loss=criterion(output)
    loss.backward()
    optimizer.step()
    total_loss+=loss
    #这里total_loss是跨越循环的变量，起着累加的作用，
    #loss变量是带有梯度的tensor，会保持历史梯度信息，在循环过程中会不断积累梯度信息到tota_loss，占用内存

以上例子的修正方法是在循环中的最后一句修改为：total_loss+=float(loss)，利用类型变换解除梯度信息，这样，多次累加不会累加梯度信息。

15. torch中tensor存至txt/mat
假设result1为tensor格式，首先将其化为array格式（注意只变成numpy还不行），之后存为txt和mat格式.

import scipy.io as io
result1 = np.array(result1)
np.savetxt('npresult1.txt',result1)
io.savemat('save.mat',{'result1':result1})