感谢一切无私开源共享奉献者！

【总结】 可以达到预期效果，运行中没有出现卡顿，且不会造成显存泄露。用Python批量训练深度学习模型（或自动尝试最优超参数）。使用 argparse 模块和 os.system() 方法。函数，然后使用argparse参数解析。第一步，实现业务接口。第二步，编写运行脚本。

内网穿透搭建NAS私人云盘的一种方式

参考Ubuntu – 下如何查看CPU信息, 包括位数和多核信息 - ma_fighting - 博客园查看服务器显卡GPU型号_BISTU_theRookie的博客-CSDN博客_查看服务器显卡型号

PyTorch相关开源库https://gitee.com/hejuncheng1/pytorch-grad-cam安装命令pip install grad-cam具体使用参考Swin Transformer各层特征可视化_不高兴与没头脑Fire的博客-CSDN博客

依赖库安装命令pip install fvcoreFLOPs： 注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量，可以用来衡量算法/模型的复杂度。示例import torchfrom torchvision.models import resnet50from fvcore.nn import FlopCountAnalysis, parameter_count_table# 创建resnet50网络model = resn

假如有一个列表，每次只取2个，不断迭代下去，直至取完，用Python迭代器实现。def mynext(a, n): res = [] for _ in range(n): try: res.append(next(a)) except: break return resif __name__ == '__main__': b = [1, 2, 3, 4, 5, 6, 7] c

深度网络结构配置yaml文件里的空值用 null、~、或直接不填写 这3种方式表示，如果直接写None读取出来的是str变量“None”。详细阅读文章：yaml文件语法——None和“None“不一样的传参，不一样的含义_山和尚的博客-CSDN博客...

当只有一颗GPU时，常规方法通常难以训练大batchsize下的大模型。torch.utils.checkpoint 梯度检查点技术可以用于解决该问题，可阅读文章：Chen T, Xu B, Zhang C, et al. Training deep nets with sublinear memory cost[J]. arXiv preprint arXiv:1604.06174, 2016.基本原理：网络训练高效内存管理——torch.utils.checkpoint的使用_风筝大晒的博客-

1. GPU服务器IP向学校有关部门申请固定IP。2. WinSCP文件传输在自己电脑下载git项目、网络预训练权重、数据集等大型文件，用WinSCP软件上传至GPU服务器。教程：winscp连接ubuntu，Linux 摸索：使用winSCP连接ubuntu系统以Ubuntu服务器为例，服务器安装并开启ssh服务，自己电脑安装并开启WinSCP，填写服务器IP、用户名和密码，连接后即可上传、下载文件，就不用自己专门拿着移动硬盘跑到机房拷贝数据。3. VS Code远程开发下载VS Code

使用skimage.io读出来的图片是numpy.darray格式，掌握numpy矩阵的旋转与翻转，可实现数据增广（data augmentation）。1 Numpy矩阵的旋转参考文档NumPy矩阵的旋转，可用rot90函数实现，例子如下：import numpy as npmat = np.array([[1,3,5], [2,4,6], [7,8,9] ])print mat, "# origna

Python从底层实现Meanshift聚类，很棒的一篇文章：MeanShift算法原理及其python自定义实现

import pathlibfile_name = "123.txt"pathlib.Path(file_name).touch()

path = os.path.abspath(os.path.dirname(__file__))print(path)打印上述路径，可获取当前python文件的路径，自己做字符串处理即可获取项目根路径。Referencepython 获取项目的根路径

目录1 仅导入前几层参数1.1 不相同的网络模型1.2 相同的网络模型2 冻结迁移的参数Reference1 仅导入前几层参数1.1 不相同的网络模型这里演示如何仅迁移前1层参数，代码如下：import numpy as npimport torchfrom torch.nn import Modulefrom torch import nnfrom torch.nn import functional as F# 预训练的网络模型 Net1class Net1(Module):

网络参数初始化对于训练收敛有极大重要性，对于卷积神经网络，在TensorFlow时我一般采用Xavier，但在用PyTorch时发现kaiming_normal（何氏初始化）效果更好。如果不精心挑选网络初始化方法，训练时网络Loss值可能一直稳定维持在某个数值，例如：对于分类任务，假设有C个类别，Loss可能一直维持在−log⁡(1C)-\log(\frac{1}{C})−log(C1​)附近。代码：import torchimport torch.nn as nnclass VGG16(nn

文章目录为何要采取random crop？对图片进行随机裁减和缩放有些图片有4个颜色通道图像转换成torch.Tensor对象Reference为何要采取random crop？在训练学习器时对图片进行随机裁减，背后的一个直觉就是可以进行数据增广（data augmentation），防止学习器陷入过拟合。假设类别CCC的主要特征为FFF，采集得到的图片包含背景噪声BBB，即现在CCC表示为(F,B)(F, B)(F,B)，我们本来期望学习关系f∗:F→Cf^*: F \to Cf∗:F→C，结果现在可

Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., et al. (2019). PyTorch: An imperative style, high-performance deep learning library. ArXiv e-prints, pp. arXiv:1912.01703.Thanks all the authors of PyTorch for their great contributi.

本文章使用的是princewang1994/R-FCN.pytorch开源代码，项目地址https://github.com/princewang1994/R-FCN.pytorch首先阅读README.md文件，特别是Preparation中的prerequisites，要求Python 3.6Pytorch 0.3.0, NOT suport 0.4.0 because of some errorsCUDA 8.0 or higher。之前我用的是PyTorch 1.0版本，导致

目录TensorFlow的slim模块训练过程中Loss稳定不下降最后一层为线性激活函数代码迁移学习TensorFlow的slim模块TensorFlow提供了slim模块，可以很方便地写出VGG网络。这里推荐博文：tensorflow中slim模块api介绍，这篇文章有slim的api文档，里面也有一个vgg网络简单demo；【Tensorflow slim】 slim.arg_scope的用法，可以重点看slim.arg_scope的用法；Tensorflow slim库使用小记；tens

目录第一个例子第二个例子第三个例子最终项目路径如下：第一个例子假设有如下接口，package service;public interface Notice { public void work(String message);}实现类如下，package service;public class NoticeImpl implements Notice { @Override public void work(String message) { // TODO Aut

目录1. 源代码1.1 接口说明1.2 代码2. Reference1. 源代码1.1 接口说明parse_vocxml： 解析voc_xml文件，返回一个列表bboxes = [bbox_1, bbox_2, …]，其中边界框bbox = [cls, x_min, y_min, x_max, y_max]，参数cls是类别class缩写，即返回所有的标注框。del_specific_cls： 删除voc_xml文件中的指定类别标注框，参数clss是classes的缩写，数据类型为set。cha

目录1. 应用需求2. 装饰器2.1. 粗糙的方法2.2 使用符号@2.3 符号@的有趣用法Reference1. 应用需求购物车场景，有两个函数get_name和get_info，已实现def get_name(sess): name = sess['name'] return namedef get_info(sess): info = sess['info'] return info假设现在接到一个需求，需验证登录后才能获取name和info。如果我们在

使用Python随机生成nnn个不重复的坐标，例如，范围（5，3）内的坐标：（1，2），（1，3），（2，2），（2，3），等等。import itertoolslist(itertools.product(range(1, 6), range(1, 4)))如果需要随机的话，直接随机产生以上list里的index，import randomn = 5random_list = l...