HJC256ZY的博客

pyhton 清空删除文件夹所以内容```pythonimport shutilshutil.rmtree(path)示列：https://editor.youkuaiyun.com/md/

main1#"""测试Scale(移动滑块)用于在指定的数值区间，通过滑块的移动来选择值。"""'''Scale为输出限定范围的数字区间，可以为之指定最大值，最小值及步距值等。from_ 指定最小值to指定最大值（主要就是前两项）resolution指定步长，默认是1tickinterval设置刻度orient设置横向(HORIZONTAL)和竖向(VERTICAL)'''from tkinter import *a=[0,0,0,0,0,0]root = Tk()r

ubuntu18.04 +cuda10.2+cudnn+Anaconda+pytorch根据自己的需要Pytorch来选择安装cuda的版本10.2需要做的步骤 1、显卡驱动安装 2、cuda10.2的安装 3、cudann安装 4、Anaconda安装 5、pytorch_linux-gpu一、安装显卡驱动需要做的事： 1、禁用nouveau并重启 2、gcc安装 3、查看系统推荐显卡驱动 4、安装显卡驱动 5、重启查看安装成功 nv

softmax与交叉熵的关系softmax第一步就是将模型的预测结果转化到指数函数上，这样保证了概率的非负性。1）分子：通过指数函数，将实数输出映射到零到正无穷。2）分母：将所有结果相加，进行归一化。假设模型三分类问题：-3、1.5、2y1 = exp(-3) = 0.05y2 = exp(1.5) = 4.48y3 = exp(2) = 7.39分母使概率之和等于1z1 = y1/(y1+y2+y3) = 0.05/(1.05+4.48+7.39)z2 = y2/(y1+y2+y3

subplot(arg1, arg2, arg3)arg1: 在垂直方向同时画几张图arg2: 在水平方向同时画几张图arg3: 当前命令修改的是第几张图 plt.figure()另起一张新的画布from PIL import Imageimport matplotlib.pyplot as pltimage1 = Image.open('1.jpg')image2 = Image.open('2.jpg')plt.subplot(121) plt.imshow(image1)p

Pytorch 参数管理import torchimport torch.nn as nnfrom torch.nn.parameter import Parameterclass model(torch.nn.Module): def __init__(self,in_put,h,out_put): '''自定义模型的初始化''' super(model,self).__init__() self.linear1=torch.nn.Lin

PyTorch AutogradTensor是一种数据结构，类似于numpy数组，与numpy不同点，可以使用GPU计算。使用 a.is_leaf 来判断a 是否是Tensor import torchtsr = torch.Tensor(2,3)>>> tensor([[9.5510e-39, 1.0010e-38, 8.4490e-39], [9.6429e-39, 8.4490e-39, 1.0561e-38]])requires_grad属性Te

nn.ReLU(inplace=True)，默认是False不管是true 还是False 都不会改变Relu后的结果。inplace=True利用in-place计算可以节省内（显）存，同时还可以省去反复申请和释放内存的时间import torchfrom torch import nn as nnm = nn.ReLU(inplace=True)n =nn.ReLU(inplace=False)input = torch.randn(10)print(input)print(m(

torch.cuda.is_available() #检查Pytorch GPU 是否可用torch.cuda.device_count() #返回gpu的数量torch.cuda.current_device() #返回当前使用的GPU 的索引torch.cuda.get_device_name() #返回GPU的名字，从索引0开始torch.cuda.is_initialized（）返回PyTorch的CUDA状态是否已初始化torch.cuda.empty_cache()释

在pytorch 中没有调用模型的forward（）前向传播，只实列化后把参数传入。定义模型class Module(nn.Module): def __init__(self): super(Module, self).__init__() # ...... def forward(self, x): # ...... return xdata = ..... #输入数据# 实例化一个对象module =

使一行for选择性生成列表data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]list = [row for row in data if row[0] >2]>>> [[4, 5, 6], [7, 8, 9]]使一行for选择性生成字典字典的items() ，返回一个（键，值）的元组列表dict = {'key1': 7, 'key2': 9, 'key3': 11}my_results = {key : value for key,

PyTorch数据并行:nn.DataParallel 一主机多GPUDistributedParallel 多主机多GPUnet = torch.nn.DataParallel(model)默认所有存在的显卡都会被使用如果我们机子中有很多显卡(例如我们有5张显卡)，但我们只想使用0、1、2号显卡net = torch.nn.DataParallel(model, device_ids=[0, 1, 2])...

类的总结内容：私有属性、私有方法、内部交叉调用方法、属性调用类的继承类的一些实列化小细节类的修饰 @staticmethod @classmethod1 私有属性、私有方法 私有变量： 定义前加双下划线__.类内部调用前加self。 私有方法: 定义前加双下划线__。 私有方法和属性外部不能访问和更改。class A(): a='a是共有变量' #公有变量： 能在外部使用和更改 __b='b是私有变量' #私有变量：

python作用域：局部作用域 、全局作用域在函数外面定义的变量：全局变量函数中的变量： 局部变量只在函数中起作用如果要在函数中使用函数外全局变量：可在变量名前加globala=5def f(x): global a #在函数中使用全局变量 a = xprint(a)f(11)print(a)...

python 读取txt 文本操作#r,w只读只写, #r+,w+可读可写 #r读取没有的文件会报错，w写入没有的文件自己创建一个，若已存在，则原有内容会被删除#rb,wb，rb+,wb+以二进制的方式读写文件 #a 追加，原有内容不会被删除，指针放在结尾。a+读写 ab二进制 ab+ '''文件的打开的两种方式'''f = open("data.txt","r",encoding="utf-8") f.close() #关闭文件#为了方便，避免忘记clos

函数修饰器大概分为两种：带参数的函数修饰不带参数的函数修饰1. 带参数的函数修饰用funA() 函数装饰器，去装饰 funB() 被修饰的函数def funA(fn): print('A q前') fn() print('A 后') return 'A return '@funAdef funB(): print('in BB')#用函数A修饰函数B,funB等于把函数funB作为参数传递给funA（）然后返回给funB@funA

torchsummary打印模型的每层形状参数import torchimport torchvisionfrom torchsummary import summary #使用 pip install torchsummarydevice = torch.device('cuda' if torch.cuda.is_available() else 'cpu')vgg = torchvision.models.vgg16().to(device)summary(vgg, in

读取MNIST数据集的时候data的结构要完整，不然要出错。包括.pt文件也要在

python 在线安装opencv失败，使用离线方法安装方法首先在cmd命令窗pip 安装opencv 下载失败：找到自己需要的opencv的版本，再去https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/opencv-python/这个网站找到，安装失败对应的opecv的版本，后下载。重新在cmd 中使用pip 进...