lyx_323的博客

windows上安装了miniconda创建了自己的环境，进一步用pip install安装软件的时候报错。注意，上述的代码就是https和http的区别，哪个能用就用哪个吧~其实就是用默认的国外的库安装除了问题，那就使用镜像好了。

某作者开源的代码，训练时遇到wandb的问题。最近开始在windows上使用服务器进行训练了，感觉会遇到各种各样的问题。1、科学上网：开启代理服务，在pycharm中设置对应的代理------我的理解是这种方式可以同步信息。2、采用离线模式：在wandb.init()之前加入如下代码------我的理解是这种方式不能同步信息。根据报错时候的提示，我们还可以重新在shell中登录我们的wandb账号，也是根据提示操作就好。至于key怎么获取，在报错的时候会看到提示，点击就可以了。把代理网址填进去就好。

概念引入我们已知在梯度下降中需要对所有样本进行处理过后然后走一步，那么如果我们的样本规模的特别大的话效率就会比较低。假如有500万，甚至5000万个样本(在我们的业务场景中，一般有几千万行，有些大数据有10亿行)的话走一轮迭代就会非常的耗时。这个时候的梯度下降使用了全部的样本数据，所以叫做full batch。为了提高效率，我们可以把样本分成等量的子集。 例如我们把500万样本分成1000份（子集）， 每份5000个样本， 这些子集就称为mini batch。然后我们分别用一个for循环遍历这100

目录1、stride =11）没有padding ：o = (i - k) + 12）有padding半填充：输入输出一样大 o = i(卷积核是基数)全填充 :o = i + (k - 1)2、stride ≠1: o = [( i + 2p-k) / s] + 11）没有padding2）有padding3、统一的公式：o = [( i + 2p- k) / s] + 1在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数...

官网下载不同平台的安装包,最好是版本一致,点击跳转 ubuntu sudo dpkg -i teamviewer_xxxxx.deb 这个时候可能会报错,提示缺少某些安装包,然后再 sudo apt-get install -f 重新执行第一步,就好了.接下来打开,正常操作就好 mac,这个就简单了,也是官网下载,然后正常安装. 使用.我是在mac上远程控制ubuntu,所以在mac上输入ubuntu上teamviewer的id和密码就好了~结束啦...

先来吐槽一句，简直就是坑。啥啥都不对。。。。。。。到底是吃什么的！哎，我这种小白，特别的心累首先，官网地址，不用说了https://github.com/NVIDIA/flownet2-pytorch我的环境；python3.6， cuda10.1下载安装，建议利用conda单独给它一个虚拟环境，环境配置，跳转https://blog.youkuaiyun.com/lyx_323/article/details/106058440?spm=1001.2014.3001.5501然后，启动虚拟环境。按

目录CPUGPUCPU与GPUCUDA编程模型基础CUDA编程模型线程层次结构CUDA的内存模型CPUCPU（Central Processing Unit）是一块超大规模的集成电路，是一台计算机的运算核心（Core）和控制核心（ Control Unit）。它的功能主要是解释计算机指令以及处理计算机软件中的数据。CPU与内部存储器（Memory）和输入/输出（I/O）设备合称为电子计算机三大核心部件。CPU主要包括运算器（算术逻辑运算单元，ALU，Arithme

１、查看gpu情况nvidia-smi２、配合watch命令, 让gpu使用情况一秒刷新一次watch -n 1 nvidia-smi

有时候conda好慢，怎么办呢？老办法，切换源１、conda config --show将会显示conda的配置信息，找到channel, 对应的就是我们的镜像配置channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - defaults２、添加清华大学的镜像conda co

1、OKS（Object Keypoint Similarity）主要指标就是OKS（Object Keypoint Similarity），这个指标启发于目标检测中的IoU指标，目的就是为了计算真值和预测人体关键点的相似度。2、OKS矩阵OKS是计算两个人之间的骨骼点相似度的，那一张图片中有很多的人时，该怎么计算呢？这时候就是构造一个OKS矩阵了。假设一张图中，一共有M个人（groudtruth中），现在算法预测出了N个人，那么我们就构造一个M×N的矩阵，矩阵中的位置（i,j）代表grou

3D关键点检测文章1、3D关键点检测之PoseDRL：Deep Reinforcement Learning for Active Human Pose Estimation（AAAI2020）这篇文章可能与我们通常所处理的姿态估计任务略有不同，通常我们模型的输入都是给定的一张图片或者一个视频序列（single camera），而这篇文章的模型是在Panoptic massive camera grid场景下（一种密集摄像机场景），在该场景下，可以在“时间冻结”模式下从各个角度观察场景，也可以再

文章+代码1、HigherHRNet（CVPR2020，MSRA微软亚洲研究院）HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimationgithub：https://github.com/HRNet/HigherHRNet-Human-Pose-Estimation2、HRNet（CVPR2019，MSRA微软亚洲研究院）Deep High-Resolution Represe

2D关键点检测文章多人人体骨骼关键点检测主要有两个方向，一种是自上而下，一种是自下而上。1、自上而下自上而下的人体骨骼关键点定位算法主要包含两个部分，人体检测和单人人体关键点检测。即首先通过目标检测算法将每一个人检测出来，然后在检测框的基础上针对单个人做人体骨骼关键点检测，其中代表性算法有G-RMI, CFN, RMPE, Mask R-CNN, and CPN。2、自下而上自下而上的方法也包含两个部分，关键点检测和关键点聚类，即首先需要将图片中所有的关键点都检测出来，然后通过相

欢迎光临，谢谢指正数据集1、MSCOCO目前COCO keypoint track是人体关键点检测的权威公开比赛之一。COCO数据集中把人体关键点表示为17个关节，分别是鼻子，左右眼，左右耳，左右肩，左右肘，左右腕，左右臀，左右膝，左右脚踝。而人体关键点检测的任务就是从输入的图片中检测到人体及对应的关键点位置。MSCOCO样本数多于30W，多人关键点检测的主要数据集，主流数据集；...

数据集1、目前COCO keypoint track是人体关键点检测的权威公开比赛之一。COCO数据集中把人体关键点表示为17个关节，分别是鼻子，左右眼，左右耳，左右肩，左右肘，左右腕，左右臀，左右膝，左右脚踝。而人体关键点检测的任务就是从输入的图片中检测到人体及对应的关键点位置。文章+代码2D关键点检测1、HigherHRNet（CVPR2020、MSRA微软亚洲研究院）：HigherHRNet: Scale-Aware Representation Learning for Bott