源代码杀手的博客

在图神经网络中，图通常被表示为稀疏张量，其中每个非零元素表示图中的一条边或连接。torch_sparse提供了对这些稀疏张量执行常见操作的功能，例如转置、矩阵乘法等。这在图神经网络中是非常有用的，因为在每个节点处需要将邻居的信息聚合起来以进行下一步的计算。torch_scatter和torch_sparse是PyTorch的两个重要扩展库，用于处理图形数据和稀疏张量。这两个库的结合使得在PyTorch中更容易地处理图形数据和稀疏张量，为图神经网络的研究和应用提供了强大的工具。

当然还有其他很多的方法，也不止这一种，只是觉得这里的tensorflow1.15gpu安装的方式是直接给你封装一起安装了（包含cudnn,cuda）,如果觉得想了解环境的配置细致，可以先创建conda+python3.6，再安装对应的cuda、cudnn版本就可以了，这里只是记录以下，希望能帮助到大家。在保证宿主机安装好nvidia驱动的前提下，创建docker容器导入nvidia环境案例conda先装cuda=11.3.1，cudnn=8.2.1，再装tensorflow-gpu=2.6.5。......

torchvision是pytorch的一个图形库，它服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision.transforms主要是用于常见的一些图形变换。以下是torchvision的构成：torchvision.datasets: 一些加载数据的函数及常用的数据集接口；torchvision.models: 包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等；torchvision.transforms: 常用的图片变换，例如裁剪、旋转

一个序列容器，用于搭建神经网络的模块被按照被传入构造器的顺序添加到nn.Sequential()容器中。除此之外，一个包含神经网络模块的OrderedDict也可以被传入nn.Sequential()容器中。利用nn.Sequential()搭建好模型架构，模型前向传播时调用forward()方法，模型接收的输入首先被传入nn.Sequential()包含的第一个网络模块中。然后，第一个网络模块的输出传入第二个网络模块作为输入，按照顺序依次计算并传播，直到nn.Sequential()里的最后一个模块输出结

参考资料：https://blog.csdn.net/qq_30263737/article/details/114268646https://blog.csdn.net/weixin_43863869/article/details/121915379https://blog.csdn.net/weixin_43183872/article/details/108329776

dropout方法是将输入Tensor的元素按伯努利分布随机置0，具体原理此处不赘，以后待补。总之就是训练的时候要用dropout，验证/测试的时候要关dropout。以下介绍Module的training属性，F(torch.nn.functional).dropout 和 nn(torch.nn).Dropout 中相应操作的实现方式，以及Module的training属性受train()和eval()方法影响而改变的机制。方法来自论文：https://www.jmlr.org/papers/volum

yolo数据增强code: https://github.com/ultralytics/yolov3/blob/master/utils/datasets.py原理：主要参考了CutMix数据增强方式。CutMix：随机选择一部分区域并且填充训练集中的其他数据的区域像素值，分类标签按一定的比例进行平滑软化（smooth label）论文地址：https://arxiv.org/abs/1905.04899v2代码地址：https://github.com/clovaai/CutMix-PyTorc

imgaug是一个用于机器学习实验中图像增强的库。它支持广泛的增强技术，允许轻松组合这些技术并以随机顺序或在多个 CPU 内核上执行它们，具有简单而强大的随机界面，不仅可以增强图像，还可以增强关键点/地标、边界框、热图和分割图。教程链接：https://imgaug.readthedocs.io/en/latest/index.html...