DRACOYU的博客

1、tensor 维度顺序变换 BCHW顺序的调整tensor.permute(dims)将tensor的维度换位。参数是一系列的整数，代表原来张量的维度。比如三维就有0，1，2这些dimension。import torch a = torch.rand(8,256,256,3) #---> n,h,w,cprint(a.shape) b = a.permute(0,3,1,2) # ---> n,c,h,wprint(b.shape)#输出to...

1.如何使用这个分布式采样器在使用distributedsampler函数时，观察loss发现loss收敛有规律，发现是按顺序读取数据，未进行shuffle。问题的解决方式就是怀疑 seed 有问题，参考源码DistributedSampler，，发现 shuffle 的结果依赖 g.manual_seed(self.epoch) 中的 self.epoch。 def __iter__(self): # deterministically shuffle based o.

归一化归一化（Normalization）是为了消除不同数据之间的量纲，方便数据比较和共同处理，比如在神经网络中，归一化可以加快训练网络的收敛性；1. 把数据变为（0，1）之间的小数，主要是为了方便数据处理，因为将数据映射到0~1范围之内，可以使处理过程更加便捷、快速。例如 nn.normalize()进行归一化。2. 把有量纲表达式变换为无量纲表达式，成为纯量。经过归一化处理的数据，处于同一数量级，可以消除指标之间量纲和量纲单位的影响，提高不同数据指标之间的可比性。3. 主要算法：线性转.

HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis，来自SenseTime的论文，提出了一个基于注意力机制的深度网络HydraPlus-Net，将多层注意力机制图多向映射到不同的特征层。由HP-Net得到的注意力深度特征具有几个优点：（1）模型能够从浅层到语义层捕获注意力；（2）挖掘多尺度的注意力特征，充实最终的行人特征表示。代码：https://github.com/xh-liu/HydraPlus-Net引言行人识别.

import torchimport torch.nn as nn#inplace为True，将会改变输入的数据 ，否则不会改变原输入，只会产生新的输出m = nn.ReLU(inplace=True)input = torch.randn(7)print("输入处理前图片：")print(input)output = m(input)print("ReLU输出：")print(output)print("输出的尺度：")print(output.size())print(