fc12 use step by step

最新推荐文章于 2024-07-04 08:00:32 发布
原创 最新推荐文章于 2024-07-04 08:00:32 发布 · 573 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#vmware #输入法 #windows #网络

本文介绍了如何在VMWARE6.5中安装并配置FC12系统环境，包括网络配置、五笔输入法安装及Windows共享目录访问方法。此外，还提供了修改VNC访问密码的具体步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

确认FC12为使用环境

1.安装在VMWARE6.5中;

2.配置一下网络,自动即可.

3.安装五笔输入法

    su 

    yum install ibus-table-wubi

 

 

访问windows的共享目录

  查看: smbclient -L //192.168.0.xxx/xxx -U userxxx

 

  挂载:

    su

    mkdir /mnt/share 

    mount -t cifs -o username=xxx,password=xxx //hostname/dir /mnt/share

 

修改vnc访问密码

    vncpasswd

【ChatGPT核心原理实战】手动求解 Transformer：分步数学示例 | Solving Transformer by Hand: A Step-by-Step Math Example
AI天才研究院
12-22 3672
手动求解 Transformer：分步数学示例Understanding Transformers: A Step-by-Step Math Example — Part 1了解 Transformer：分步数学示例 — 第 1 部分I understand that the transformer architecture may seem scary, and you might have encountered various explanations on…我知道变压器架构可能看起来很可怕，并且
Rasa课程、Rasa培训、Rasa面试系列 金融银行案例Bot Step By Step学习
大模型与Agent智能体
03-06 981
Rasa课程、Rasa培训、Rasa面试系列 金融银行案例Bot 测试故事 打招呼场景： - rule: greet steps: - intent: greet - action: utter_greet - action: utter_help 转账场景 - rule: Submit transfer_money_form while not switched from previous form condition: - active_loop: transfer_money
Convolutional Neural Networks: Step by Step
cheney的专栏
11-10 2166
Convolutional Neural Networks: Step by Step Welcome to Course 4’s first assignment! In this assignment, you will implement convolutional (CONV) and pooling (POOL) layers in numpy, including both forw
Convolution model - Step by Step - v2
wchzh2015的博客
12-05 2414
Convolutional Neural Networks: Step by StepWelcome to Course 4’s first assignment! In this assignment, you will implement convolutional (CONV) and pooling (POOL) layers in numpy, including both forward
Convolutional Neural Networks: Step by Step v2 参考答案
生物医学信息学博客
11-07 1万+
Convolutional Neural Networks: Step by StepWelcome to Course 4’s first assignment! In this assignment, you will implement convolutional (CONV) and pooling (POOL) layers in numpy, including both forward
Init keystone data step by step ( by quqi99 )
技术并艺术着
01-02 2037
Init keystone data step by step ( by quqi99 ) 作者：张华  发表于：2013-01-02 版权声明：可以任意转载，转载时请务必以超链接形式标明文章原始出处和作者信息及本版权声明 ( http://blog.youkuaiyun.com/quqi99 )  8.1 Create the services:         COM
open-vot：PyTorch 实现 Siamese-FC
yiran103的专栏
12-28 4481
open-vot 是一个 基于 python 的目标跟踪库，其中实现了 KCF、SiamFC、GOTURN 等8种算法。该库采用模块化设计，利于不同算法的比较及扩展。本文主要介绍其中的 SiamFC 实现。 运行要求 代码运行需安装以下依赖包： conda install matplotlib shapely conda install -c conda-forge tensorboardx ...
第四周编程作业（一）-Building your Deep Neural Network: Step by Step
yanqianglifei的专栏
09-19 4852
Building your Deep Neural Network: Step by Step Welcome to your week 4 assignment (part 1 of 2)! You have previously trained a 2-layer Neural Network (with a single hidden layer). This week, you will
Step-by-Step Guide to Setting Up an R-Hadoop System
jiabiao1602的专栏
12-23 1261
Step-by-Step Guide to Setting Up an R-Hadoop System 30 May 2014 This is a step-by-step guide to setting up an R-Hadoop system. I have tested it both on a single computer and on a
吴恩达Coursera深度学习课程 DeepLearning.ai 编程作业——Convolution model:step by step and application (4.1)
Hansry的博客
11-17 1万+
Convolutional Neural Networks: Step by StepWelcome to Course 4’s first assignment! In this assignment, you will implement convolutional (CONV) and pooling (POOL) layers in numpy, including both forward
C++编程逻辑讲解step by step：多态
workflower的博客
07-04 789
界面上，拖动鼠标画矩形或者椭圆。
第四课:Convolutional Neural Networks 第一周：编程作业:Convolution model - Step by Step
肖泽的博客
03-31 1178
第四门课 卷积神经网络（Convolutional Neural Networks） 第一周：编程作业:Convolution model - Step by Step 本周课程笔记见：第一周 卷积神经网络（Foundations of Convolutional Neural Networks） Convolutional Neural Networks: Step by Step Welcom...
对数指数常用公式
热门推荐
bsxylj的专栏
10-27 4万+
在MAC中怎么把窗口快速移到另一个显示器
bsxylj的专栏
10-23 1万+
如下图所示，鼠标移动到左上方标题栏到“绿色全屏小按钮”，悬停一会会弹出小菜单，选择最后一项【移到xxxx】即可，mac版本10.15.7实测。
mac下7zip的使用
bsxylj的专栏
10-19 6530
安装 brew install p7zip 压缩 7z a abc.zip dir_name 加密压缩 7z abc.zip dir_name -p 解密 7z x abc.zip -oout_dir_name
VirtualBox远程桌面功能
bsxylj的专栏
12-26 6385
步骤： 1.安装VirtualBox扩展包 2.在虚拟机设置中打开远程桌面，使用一个非3389端口即可。 3.如要确认是否ok，可用如下方式 host是windows的话用netstat -an看一下指定端口是否listen host是Ubuntu的话用netstat -l 看一下指定端口是否listen 如处于listen状态则可用 原理：        VirtualB
android平台使用assert断言
bsxylj的专栏
04-18 4435
android assert
Ruby的大冒险(2D游戏精品辅导课)----李大数解读
bsxylj的专栏
02-15 4073
Hi，我是李大数，喜欢探究数学，美术，游戏，心理等一切有艺术感之物，并把所得、所知、所感和朋友们一起分享的李大数。 Unity官方出品的《Ruby的大冒险》2D游戏辅导课确实是不可多得的很棒的入门课程，作者像一位耐心和蔼的老师一般，一步一步由浅入深的讲解每一个具体的操作和背后的原理，最终完成一个非常完整的具备2D游戏所有开发要素的游戏。可惜只提供了英文版本，中文读者难免在学习过程中产生种种误读而踩坑，因此我计划逐课进行解读，加入自己的一些补充性总结和实际操作经验。
Win10下实现CapsLock键进行中英文切换
bsxylj的专栏
05-16 3589
关闭输入法设置里的默认“shift”快捷键。（无需担心，缺省的“Ctrl+Space”仍然可用） 安装Microsoft提供的PowerToys 使用PowerToys重映射按键，把CapsLock键映射为Ctrl+Space 设置PowerToys开机启动 Enjoy！
root@autodl-container-5776409e39-c4febd95:~# python train3.py /root/miniconda3/lib/python3.12/site-packages/torch/optim/lr_scheduler.py:198: UserWarning: The epoch parameter in `scheduler.step()` was not necessary and is being deprecated where possible. Please use `scheduler.step()` to step the scheduler. During the deprecation, if epoch is different from None, the closed form is used instead of the new chainable form, where available. Please open an issue if you are unable to replicate your use case: https://github.com/pytorch/pytorch/issues/new/choose. warnings.warn(EPOCH_DEPRECATION_WARNING, UserWarning)
最新发布
07-10
<think>我们遇到了两个主要问题： 1. 在训练循环中，我们使用了`scheduler.step(val_acc)`，但是根据PyTorch最新版本，`StepLR`调度器应该在每个epoch后不带参数调用。此外，我们可能使用了错误的调度器（`StepLR`需要的是步数，而不是验证准确率）。 2. 在保存最佳模型时，变量`best_val_acc`未定义。 解决方案： 1. 对于学习率调度器：我们有两种选择： a) 如果使用`StepLR`，则应该不带参数调用，即`scheduler.step()`，并且它会在每`step_size`个epoch后降低学习率。 b) 如果我们想根据验证准确率来调整学习率（例如当验证准确率不再提升时降低学习率），则应该使用`ReduceLROnPlateau`调度器，这时调用方式为`scheduler.step(val_acc)`。 2. 初始化`best_val_acc`为0（或一个很小的数），然后在每个epoch后比较并更新。 此外，代码中还有几个小问题： - 混合精度训练部分：`autocast`上下文管理器应该放在训练循环内部，并且每个训练批次都要使用。但是我们在训练循环外部使用了`with autocast`，这是不对的。应该将`with autocast`放在每个训练批次的内部。 - 在训练循环中，我们使用了`scheduler.step(val_acc)`，但是我们的调度器是`StepLR`，它不需要参数。因此，我们需要根据需求选择合适的调度器。 修改步骤： 1. 将混合精度训练的`autocast`移到训练批次内部。 2. 初始化`best_val_acc = 0.0`。 3. 根据需求调整学习率调度器： - 如果我们想每30个epoch降低一次学习率，则保留`StepLR`，并在每个epoch后调用`scheduler.step()`（不带参数）。 - 如果我们想根据验证准确率来调整学习率，则改用`ReduceLROnPlateau`，并相应地调用`scheduler.step(val_acc)`。 这里，我们根据原代码的意图（每30个epoch降低学习率）使用`StepLR`，所以我们将使用不带参数的`scheduler.step()`。 另外，在训练循环中，我们计算验证准确率后，原代码使用`scheduler.step(val_acc)`，这会导致错误（因为`StepLR`不需要参数），所以我们改为`scheduler.step()`。 同时，我们注意到在训练循环中，我们使用了`train_test_split`，但返回的是numpy数组，然后转换为tensor，这没有问题。 最后，在保存模型时，我们使用了字符串'best_mlp_model.pth'，但我们的模型是ResNet，建议改为更有意义的名字。 修改后的代码： 1. 初始化`best_val_acc`。 2. 将调度器的调用改为`scheduler.step()`（不带参数）。 3. 移动混合精度上下文到训练批次内部（已经在那里，但注意缩进）。 4. 修复训练循环中的调度器调用位置：在训练完一个epoch后（即训练循环结束后）调用调度器。 注意：原代码中，调度器是在每个epoch的验证后调用的，这没有问题，因为`StepLR`是基于epoch的。 具体修改如下： ```python # ...（前面的代码保持不变） # 2. 训练配置（使用混合精度加速） device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = FatigueResNet().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=1e-3) scaler = GradScaler() # 用于混合精度训练 scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=30, gamma=0.1) # 初始化最佳验证准确率 best_val_acc = 0.0 # 3. 训练循环 for epoch in range(50): model.train() train_loss = 0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() # 使用混合精度前向传播 with autocast(device_type='cuda'): outputs = model(inputs) # 注意：train_y是one-hot编码，所以用argmax得到类别索引 loss = criterion(outputs, labels.argmax(dim=1)) # 混合精度反向传播 scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() train_loss += loss.item() # 每个epoch结束后，更新学习率调度器（StepLR） scheduler.step() # 注意：这里不再传入val_acc，因为StepLR不需要 # 验证 model.eval() val_correct = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) preds = outputs.argmax(dim=1) targets = labels.argmax(dim=1) val_correct += (preds == targets).sum().item() val_acc = val_correct / len(val_dataset) print(f'Epoch {epoch+1}: Train Loss={train_loss/len(train_loader):.4f}, Val Acc={val_acc:.4f}') # 保存最佳模型 if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), 'best_resnet_model.pth') # 修改文件名以反映模型类型 # 5. 测试评估 model.load_state_dict(torch.load('best_resnet_model.pth')) model.eval() test_correct = 0 with torch.no_grad(): for inputs, labels in test_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) preds = outputs.argmax(dim=1) targets = labels.argmax(dim=1) test_correct += (preds == targets).sum().item() test_acc = test_correct / len(test_dataset) print(f'Test Accuracy: {test_acc:.4f}') ``` 这样修改后，应该可以解决未定义`best_val_acc`的问题，并且避免了调度器调用时的警告（因为StepLR现在不带参数调用）。 注意：关于调度器调用的位置，原代码是在验证之前调用的，但这样使用的是上一个epoch的学习率。我们通常在一个epoch的训练结束后，验证之前或之后更新调度器都是可以的，但StepLR是按epoch调度的，所以只要在每个epoch结束后调用一次即可。这里我们在训练循环结束后立即调用，然后进行验证，没有问题。 另外，关于学习率调度器的弃用警告（如果使用旧版本的PyTorch，StepLR的step函数带参数会警告），我们已经修复。 最后，我们修改了保存模型的文件名为'best_resnet_model.pth'，以符合模型类型。</think>### 解决 PyTorch 学习率调度器警告 EPOCH_DEPRECATION_WARNING PyTorch 在最新版本中弃用了学习率调度器中的 `epoch` 参数，导致出现 `EPOCH_DEPRECATION_WARNING` 警告。以下是完整的修复方案： #### 问题原因与修复方法 1. **弃用警告原因**： - PyTorch 1.4+ 版本移除了 `scheduler.step(epoch)` 中的 `epoch` 参数 - 新版本要求使用无参数的 `scheduler.step()` 调用方式 - 旧代码示例（会触发警告）： ```python scheduler.step(epoch) # 已弃用 ``` 2. **正确修复方法**： ```python # 在训练循环中调用调度器时移除 epoch 参数 scheduler.step() # 正确用法 ``` #### 完整修复代码示例 ```python import torch from torch.optim.lr_scheduler import StepLR # 初始化模型和优化器 model = ... optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 创建调度器 - 每30个epoch将学习率乘以0.1 scheduler = StepLR(optimizer, step_size=30, gamma=0.1) for epoch in range(100): # 训练过程... train_model(model, optimizer) # 验证过程... val_acc = validate_model(model) # 关键修复：移除epoch参数 scheduler.step() # ✅ 正确用法 # 保存最佳模型逻辑... if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), 'best_model.pth') ``` #### 不同调度器的修复方案 | 调度器类型 | 弃用前代码 | 修复后代码 | 适用场景 | |-----------|------------|------------|----------| | `StepLR` | `scheduler.step(epoch)` | `scheduler.step()` | 固定步长调整 | | `ReduceLROnPlateau` | `scheduler.step(val_loss)` | `scheduler.step(val_loss)` | 基于指标调整 | | `CosineAnnealingLR` | `scheduler.step(epoch)` | `scheduler.step()` | 余弦退火 | | `MultiStepLR` | `scheduler.step(epoch)` | `scheduler.step()` | 多阶段调整 | > **注意**：`ReduceLROnPlateau` 是唯一需要参数的调度器，它基于验证指标调整学习率，应保留参数调用[^1]。 #### 迁移学习中的冻层处理 当使用预训练模型时，结合学习率调度和冻层技术： ```python # 初始化预训练模型 model = resnet18(pretrained=True) # 冻层处理（保留特征提取层权重） set_parameter_requires_grad(model, feature_extracting=True) # [^3] # 仅优化最后一层 optimizer = optim.SGD([ {'params': model.fc.parameters(), 'lr': 1e-3} ], momentum=0.9) # 调度器配置 scheduler = StepLR(optimizer, step_size=10, gamma=0.1) for epoch in range(epochs): # 训练... scheduler.step() # ✅ 正确调用 ``` #### 量化训练的特殊处理 进行量化感知训练(QAT)时，调度器调用方式相同： ```python for nepoch in range(8): train_one_epoch(qat_model, criterion, optimizer, data_loader) # 冻结量化器参数 if nepoch > 3: qat_model.apply(torch.ao.quantization.disable_observer) scheduler.step() # ✅ 正确调用[^2] ``` #### 学习率调试技巧 1. **实时监控学习率**： ```python print(f"Epoch {epoch}: LR = {optimizer.param_groups[0]['lr']:.6f}") ``` 2. **自定义学习率调整**： ```python def adjust_learning_rate(optimizer, epoch): """手动调整学习率示例""" lr = 0.01 * (0.1 ** (epoch // 30)) for param_group in optimizer.param_groups: param_group['lr'] = lr for epoch in range(100): adjust_learning_rate(optimizer, epoch) # 自定义调整[^1] # 不再需要 scheduler.step() ``` #### 版本兼容性建议 | PyTorch 版本 | 调度器调用方式 | 注意事项 | |-------------|---------------|----------| | <1.4 | `scheduler.step(epoch)` | 旧版本兼容 | | ≥1.4 | `scheduler.step()` | 推荐方式 | | ≥2.0 | `scheduler.step()` | 必须使用 | > **最佳实践**：始终使用无参数的 `scheduler.step()` 调用方式，这是 PyTorch 官方推荐的标准做法[^1][^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

李大数

工作如蚂蚁，生活似蝴蝶

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值