提交至coding的第一份pytorch code

1.需求文件requirements.txt的创建及使用
虚拟环境时直接使用下面的命令

pip freeze > requirements.txt
pip install -r requirements.txt

如果只想生成项目需要的依赖，执行以下命令：

pip install pipreqs
pipreqs ./
pip install -r requirements.txt

参考

2.创建本地git 仓库 上传代码到Coding
参考教程
如何删除Git中缓存的用户名和密码
常用指令：
要求每次工作前必须做

git pull

工作

git add .(git add files)
git commit -m "描述"
git push origin master

3.sublime 列模式 列编辑

参考教程

4.Pytorch的可视化工具visdom
参考这里配置

python -m visdom.server

本地浏览器中输入地址：127.0.0.1:18097

5.x = x.view(x.size(0), -1) 的理解
参考

6.深度学习之LSTM
参考例子
video
参考
更详细？
多层？

BiLSTM

7.pytorch 学习笔记
pytorch 学习笔记(一)
对pytroch中torch.autograd.backward的思考
pytorch的backward
Pytorch的backward()相关理解

8.Sublime text3 连接sftp/ftp（远程服务器）
参考教程

9.linux下显卡信息的查看

lspci  | grep -i vga

参考命令

10.验证集精确度和损失同时上升
评论很多
90%所对应的损失要小于50%对应的损失

11.Tmux 使用教程
很详细的教程
重要命令：

退出当前的Tmux窗口，但是会话和里面的进程仍在后台运行。

tmux detach

tmux attach -t <session-name>

以下是 Tmux 的最简操作流程。

新建会话tmux new -s my_session。
在 Tmux 窗口运行所需的程序。
按下快捷键Ctrl+b d将会话分离。
下次使用时，重新连接到会话tmux attach-session -t my_session。

12.Deep Visualization:可视化并理解CNN
可视化工作分为两大类，一类是非参数化方法:这种方法不分析卷积核具体的参数，而是先选取图片库，然后将图片在已有模型中进行一次前向传播，对某个卷积核，我们使用对其响应最大的图片块来对之可视化;而另一类方法着重分析卷积核中的参数，使用参数重构出图像。

这一篇文章着重分析第一类可视化方法。
工具是caffe的？

用到了 T-SNE 的降维手段, 将高维的 CNN 最后一层输出结果可视化, 也就是 CNN forward 代码中的 x = x.view(x.size(0), -1) 这一个结果.
莫烦视频

运行过代码的：
使用pytorch可视化中间层的结果(顺带熟悉下VGG16参考)

13.Python 列表(List) 的三种遍历(序号和值)方法
参考

for i, val in enumerate(list):
	print ("序号：%s   值：%s" % (i + 1, val))