java_pythons的博客

Pytorch中计算自己模型的FLOPs(profile(),clever_format())

torch.argmax()用法示例

torch.histc()用法

备份环境查看conda环境命令：conda info --envs1、原有的是base环境，复制base为study新环境复制环境命令：conda create -n study --clone base2、移植环境启动原有的环境：conda activate ‘name’3、导出.yml文件，命令：conda env export > environment.yml将.yml文件复制到新机器的/home下4、创建一个新环境，或在base环境中，输入命令：conda

解决办法：版本权重出现问题https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5m.pt在这个网址下载对应版本的权重例如v5.0版本将上述网址里面的v6.0改为v5.0

concatenate操作是网络结构设计中很重要的一种操作，经常用于将特征联合，多个卷积特征提取框架提取的特征融合或者是将输出层的信息进行融合，而add层更像是信息之间的叠加。Resnet是做值的叠加，通道数是不变的，DenseNet是做通道的合并。可以这么理解，add是描述图像的特征下的信息量增多了，但是描述图像的维度本身并没有增加，只是每一维下的信息量在增加，这显然是对最终的图像的分类是有益的。而concatenate是通道数的合并，也就是说描述图像本身的特征增加了，而每一特征下的信息是没有增加。

从论文中给出的伪代码可以看出来BN层的计算流程是：1.计算样本均值。2.计算样本方差。3.样本数据标准化处理。4.进行平移和缩放处理。引入了γ和β两个参数。来训练γ和β两个参数。引入了这个可学习重构参数γ、β，让我们的网络可以学习恢复出原始网络所要学习的特征分布。BN就是对不同样本的同一特征做归一化。BN层的作用BN层的作用主要有三个：1.加快网络的训练和收敛的速度；2.控制梯度爆炸防止梯度消失；3.防止过拟合。接下来就分析一下为什么BN层有着三个作用。加快网络的训练和收敛的速度在

YOLOX实现1、YOLOX代码环境搭建：1.1 下载YoloX代码并安装YOLOXYOLOX的github链接复制红框的链接在linux系统中clone复制的链接：git clone https://github.com/Megvii-BaseDetection/YOLOX.git（1）新建一个Canda环境输入命令：conda create -n Yolox python=3.7（2）进入Conda环境输入命令：conda activate Yolox，进入Conda环境中，并到下载

dataloader = D.DataLoader(dataset, batch_size=batch_size, shuffle=shuffle, num_workers=num_workers, pin_memory=True)关于什么是锁页内存：pin_memory就是锁页内存，创建DataLoader时，设置pin_memory=True，则意味着生成的Tensor数据最开始是属于内存中的锁页内存，这样将内存的Tensor转义到GP

AssertionError: size of input tensor and input format are different.tensor shape: (64, 3, 32, 32)， input_format: CHW原因：tensor的维度是(64,3,32,32)而要求的输入格式是CHW，两者不匹配所以报错。#报错writer.add_image("test_data", imgs,step)解决办法：用add_images方法替换add_image方法即可。writer.a

segmentation_models_pytorch是一个基于PyTorch的图像分割神经网络这个新集合由俄罗斯的程序员小哥Pavel Yakubovskiy一手打造。github地址：https://github.com/qubvel/segmentation_models.pytorchsegmentation_models_pytorch主要功能是： 高级API（只需两行即可创建神经网络） 用于二分类和多类分割的7种模型架构（包括传奇的Unet） 每种架构有57种可用

1.在载入模型参数前加上：model = nn.DataParallel(model) 比如我的：model_effi7 = torch.nn.DataParallel(model_effi7)model_effi7.load_state_dict(torch.load(model_path_effi7))若再出现：RuntimeError:Error(s) in loading state_dict for DataParallel：则如此修改，从属性state_dict里面复制参数到这个

使用的数据是吴恩达第四课第二周中的手势图片识别，网址下载（https://pan.baidu.com/s/1dsTsaaykje6dNpwIcP0A-w&shfl=sharepset）提取码：hb3y我是使用pycharm实现（亲测可用）、代码实现：import mathimport numpy as npimport h5pyimport matplotlib.pyplot as pltimport scipyfrom PIL import Imagefrom scipy imp

Anaconda安装https://blog.youkuaiyun.com/java_pythons/article/details/114875018利用Anacanda的pytorch安装，torchvision安装（https://blog.youkuaiyun.com/java_pythons/article/details/114782621）要用pytorch，就可以选择我之前配置好的pytorch环境，我在pycharm中进入pytorch环境，可以正常使用torch模块。此处是选择anaconda中e

1、CUDA首先根据显卡下载适用的CUDAhttps://blog.youkuaiyun.com/java_pythons/article/details/114659922win+r.输入cmd打开终端输入：nvcc -V可以查看自己的cuda版本。2、CUDNNcuda10.2安装好，接下来是cudnn下载cudnn，链接：https://developer.nvidia.com/rdp/cudnn-download找到对应版本下载。下载解压后得到一个cuda文件夹，这个文件夹里面有3个文件夹

1.代码要求版本1.0，pytorch1.1会报错ImportError: /usr/local/lib/python3.5/dist-packages/torchvision/_C.cpython-35m-x86_64-linux-gnu.so: undefined symbol: _ZN2at7getTypeERKNS_6TensorE2. 安装torch1.0 要对应安装torchvision0.2.0win下Pytorch安装与torchvision安装踩坑此篇使用win10 pytho

123456、选择你使用的路径7我设置之后就可以引入pytorch了

首先下载离线安装包：https://download.pytorch.org/whl/torch_stable.html选择你要下载的版本（由于没有N卡，我以cpu版本为例安装）安装在有python.exe文件夹中指定安装路径的命令行：pip install --target=xxx pygame比如我的就是：pip install --target=D:\python\python_rujian torch-1.0.0-cp37-cp37m-win_amd64.whl在cmd中进入安