Deeachain的博客

import numpy as npnp.seterr(divide='ignore',invalid='ignore')def fast_hist(a, b, n): # a是转化成一维数组的标签，形状(H×W,)；b是转化成一维数组的标签，形状(H×W,)；n是类别数目，实数（在这里为19） k = (a >= 0) & (a < n) # k是一个一维bool数组，形状(H×W,)；目的是找出标签中需要计算的类别（去掉了背景） return np.binc

正确调用tensorboard --logdir 路径错误调用tensorboard --logdir == 路径

session_config = tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)session_config.gpu_options.per_process_gpu_memory_fraction = 0.8session_config.gpu_options.allow_growth = True # 自适应run_config = tf.estimator.RunConfig( session_

关于深度学习的Nvidia的GPU加速网络训练参数性能测试深度学习的Gpu型号和参数选择深度学习注重的参数有两个，分别是显存带宽和单精度浮点计算能力（这里不考虑双精度浮点计算能力）显存带宽计算涉及到的显卡参数：显存位宽（位）、显存频率（Mhz）单精度浮点据算能力涉及到的显卡参数：显卡主频（Mhz）、cuda核心下面介绍常见的几种显卡参数：显卡型号单精度计算能力显存带宽主频xCuda核心数x2/1000 (TFlops)显存位宽x显存频率/8/1000(Gb/s)1