llf000000的博客

V轴（Value轴）： 垂直方向，高度方向，也称“亮度轴”或“明度轴”底部 V=0 为黑色顶部 V=1 为最亮（即纯色或白色）沿着这个“轴”向上走，颜色变得更亮H（Hue，色相）：表示颜色的类型，对应一个环绕中心轴旋转的角度（0°到360°）例如：0°是红色，120°是绿色，240°是蓝色S（Saturation，饱和度）：表示颜色的纯度，从中心轴（灰色）向外发散S=0 是无色的灰（位于轴心）S=1 是纯色（在圆周边缘）

【代码】赋予远程服务器里的指定文件夹权限。

打开图片所在的cmd窗口路径。

【代码】ISIC2017 数据集读取。

【代码】本地装了个pytorch cuda。

如何在Zotero中设置webdav连接到坚果云？ | 坚果云帮助中心

下载扩展Markdown Image。

【代码】读取ISIC2019数据集。

【代码】余弦相似度。

【代码】CIFAR10-LT DermalMNIST 从dataset到dataloader。

这种方法是通过环境变量限制可见的CUDA设备，从而在多个GPU的机器上只让PyTorch看到并使用指定的GPU。这种方式的好处是所有后续的CUDA调用都会使用这个GPU，并且代码中不需要显式地指定设备索引。这种方法是在代码中直接指定要使用的设备索引，无需修改环境变量。这种方式更加显式，并且可以在同一脚本中使用多个不同的GPU。

的方式导入模块将会失败。

在主文件里的第一行导入该包，主文件的相对路径变为了：这一级的路径/../lib。

evaleval。

per_cls_weights = torch.FloatTensor(per_cls_weights).to(torch.device('cpu')) # 假设我们在 CPU 上运行# 计算 n_holes 的数量n_holes = 1 + int(per_cls_weights[label] * 3) # 确保 n_holes 在 1 到 4 之间# 保存每个类别的 n_holes 数量。

如果报错的命令是RuntimeError，那就使用nvcc -V命令查看是否是版本不匹配。pytorch, cudadnn等要求的cuda版本都是指cuda toolkit的版本。为11.4，nvcc -V命令查看CUDA版本为11.1。以nvcc -V版本为准。nvidia-smi 显示的版本是驱动的版本，是原先在容器里已经装好的。版本小于等于驱动版本都可以正常使用。由于驱动版本是向下兼容的， 因此。而nvcc -V 显示的版本是。的版本，是需要我们去安装的。CUDA有两个CUDA版本。

在定义模型时，如果没有特定的GPU设置，会使用将模型并行化，充分利用多GPU的性能，这在加速训练上有显著影响。

显卡设备不匹配，原为'cuda:1'，现为'cuda:0'。

【代码】在LDL代码读取方式上添加读取每类标签个数的列表。

【代码】查看指定目录下的文件名称和序号。

中的元素地址是连续的，但可能出现Tensor不连续的情况，所以先用 .contiguous()。将其在内存中变成连续分布即可。这是因为view()需要。

【代码】服务器 解决shm过程。

将共享内存的临时文件保存在了/torch_xxx文件中，即容器中的根目录下。容器磁盘空间不足导致该问题的发生。目前可以通过以下代码暂时关闭pytorch的shared memory功能来规避。直接加在train.py的最前面就可以。

命令用于查看文件系统的磁盘使用情况，包括文件系统的类型、总容量、已用空间、可用空间等。提供了不同层面的信息，分别关注于GPU和文件系统的状态。它们之间没有直接的联系，但可以一起使用来获得更全面的系统状态和资源使用情况。主要提供了与GPU相关的信息，包括GPU的型号、驱动版本、显存使用情况、功耗等。命令，可以查看shm文件系统的使用情况，但它与GPU的容量没有直接联系。命令用于查看文件系统的磁盘使用情况，包括共享内存（shm）的使用情况。这两个命令提供了不同层面的信息，因此它们之间没有直接的联系。

在深度学习训练中，是一个常见的参数，特别是在使用数据加载器（如PyTorch的DataLoader）时。指定了用于数据加载的。这个参数对于提高数据加载的效率和加速训练过程至关重要。

您可以控制哪些GPU将被CUDA应用程序看到，进而被利用。这通常用在基于CUDA的应用程序中，尤其是在使用NVIDIA GPU进行深度学习开发时。这个设置通常在程序的最开始处进行，以确保在程序运行期间CUDA能够识别并使用正确的GPU设备。），则CUDA应用程序将不会看到任何GPU，因此只能使用CPU进行计算。例如，如果您有两个GPU，它们会被编号为0和1。，这表明CUDA应用程序可以看到并使用编号为0和1的两个GPU。告诉CUDA运行时库应当使用哪些GPU设备。，即使系统中有多个GPU。

训练时调取tensorboard报错：TypeError: MessageToJson() got an unexpected keyword argument including。并且没有显示图像。这是由于tensorboard版本过高导致，只需要将tensorboard版本降低即可。博主降低至2.12.0便可以正常使用。

【代码】Markdown 格式。

针对中unzip 找不到指令：依次进行如下指令。

1、连接服务器后在xshell里输入命令2、打开网页，在搜索栏里输入192.168.7.178:6650，即可在网页中使用服务器。

使用混合精度训练：通过使用混合精度训练（mixed precision training），可以减少显存的使用量。根据提供的代码，可能会出现内存不足的问题。错误信息中显示了“CUDA out of memory”的错误，意味着在GPU上分配内存时超出了可用的内存容量。在训练过程中，模型的参数和中间结果需要存储在GPU的显存中。减少模型的大小：如果模型过大，可以尝试减少模型的大小，例如通过减少通道数或层数来减小模型的参数量。（batch size）：减小每个批次中样本的数量，以减少显存的使用量。

方法改变维度为1，如target = target.view(-1),这样假如原来target是。,维度从None变为1.

【代码】Pytorch中使用TensorBoard。

加了注释的两条代码后，控制器会显示一个docx转pdf的进度条。这个进度条需要控制器的实现，如果转exe不带控制器的话，当点击转换为pdf的按钮就会导致程序出错和闪退。

如果进入容器后，是没法通过nvidia-smi命令查看显卡型号的，但是环境仍然是GPU在运行。

source ~/.bashrc

在Python-docx中，设置表格列宽度的代码应该是有效的。但是，Python-docx只能控制Word文档中的表格样式，而无法直接影响Office应用程序中的实际显示效果。因此，如果你在Python-docx中设置了表格列宽度，然后在Office应用程序中打开该文档，你可能需要手动调整列宽才能看到更改的效果。

【代码】代码中的英文缩写 os.getcwd。

在命令行里输入mysql --version就可以查看：