m0_37412775的博客

1. 查看cuda, pytorch, python版本；2. 依次安装torch_scatter, torch_sparse, torch_cluster, torch_spline；3. 安装torch_geometric。

最近在可视化特征图时遇到了钩子的问题，这里记录学习一下相关知识~在某些情况下，我们需要对深度学习模型的前向计算和反向传播的行为做一定的修改。比如，我们想要观察深度学习模型的某一层中出现的异常值(NaN或者Inf)，找出这些异常值的来源，或者想要对模块输出的张量做一定的修改。在这种情况下，可以通过在模块中引入钩子Hook来动态修改模块的行为。

本博文以gym的车杆环境为例，进行DQN的模型搭建和训练。车杆(Cartpole)环境介绍如下：车杆环境由一个可以自由转动的杆子连接一个可以水平运动的小车构成。通过向环境发送“左移”或者“右移”控制小车移动。每次发生移动指令之后，环境会返回一个数组来表示小车当前的运动状态，这个数组包括：小车当前的位置(-4.8~4.8)、小车当前的速度(负无穷到正无穷)、杆子当前的角度(-24~24)、杆子顶端的速度(负无穷到正无穷)来表示。

一共分为5个步骤，

import torchfrom torchsummary import summaryfrom thop import profileflops, params = profile(self.model, inputs=(batch_x, batch_x_mark, dec_inp, batch_y_mark)) # batch_x, batch_x_mark, dec_inp, batch_y_mark为网络的输入，根据具体网络的输入设置print("%s | Params:

网上对时序问题的代码详解很少，这里自己整理对CNN和RNN用于时序问题的代码部分记录，便于深入理解代码每步的操作。一、1D-CNN1. Conv1d的接口class torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)in_channels (int)：输入通道数，在时间序列背景下即为输入序列的元数，或称为特征数。out_channe

2021广东工业智造创新大赛—智能算法赛前言一、2021年天池广东工业智能创新大赛初赛简介1、大赛背景2、数据集3、评估方式二、Fasterrcnn简介及实现1、简介2、实现（1）、实现平台（2）、代码链接和训练三、如何将大赛提供的json注释转化为coco格式进行训练？总结前言本文仅提供Fasterrcnn对2021年天池大赛——广东工业智能创新大赛初赛的基本检测过程，代码可直接实现，但未添加有效的数据预处理过程，上传后评分结果很低。本博文可供参考部分：Fasterrcnn的代码；json文件转

cpu版本主文件main.pyimport torchvision as tvimport torchfrom torch.utils.data import DataLoaderfrom autoencoder import AutoEncoderimport torch.nn as nnfrom torch.utils.tensorboard import SummaryWriterfrom torchvision import datasets#-------------------