Sycret

场景运行socket通信相关程序时，会因为client中断而server还在监听的情况出现问题。这个时候需要手杀进程来释放端口。查看所有tcp相关的带端口和进程id的信息：netstat -tnlp找到那个占用端口的僵尸进程id，比如是9790，干掉： kill -9 9790...

问题有时候执行.py文件需要权限，但是pycharm执行默认是没sudo的，又不愿意用命令行执行。下面给出配置方案：pycharm使用sudo

linux下默认会进入base环境，如果要切换环境，需要先退出base再进你想要进的环境。查看所有环境。conda-env list退出base，进入想进入的环境conda deactivateconda activate xxxxxx

Model QuantizationModel Quantization的一个比较经典的流程：对PyTorch训练好的model，先转onnx，再转成比如TensorRT（即quantization部分）。ONNX可以看成一个model的中转站，可以转换各种形式的model。（Quantization根据平台不同而不同，没有硬件的话自己做没有意义）ONNX是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架（如Pytorch, MXNet）可以采用相同格式存储模型数

Activations1. Swish# Swish activationclass Swish(nn.Module): def __init__(self): super(Swish, self).__init__() def forward(self, x): x = x * F.sigmoid(x) return x2. Mish# Mish activationclass Mish(nn.Module): de

LabelIme主页地址:https://github.com/wkentaro/labelme支持对象检测、图像语义分割数据标注，实现语言为Python与QT。1. 安装$pip install labelme有一点慢，有时候还会断开连接导致停止下载，多试几次就会成功的。因为没多大，几个MB大就不换源了（也不知道镜像里有没有）。2. 使用labelme标注并导出.json文件$labelme会启动gui，非常简洁易懂的界面。open导入图片或者文件夹，右键选矩形框。之后选save

Regularization1. Label Smoothing对于一个分类问题，假设一共有KKK 类，分别用y1,y2,...,yiy_1,y_2,...,y_iy1​,y2​,...,yi​表示，label smoothing可以用以下公式表示：{yi′=(1−ϵ)⋅yi+ϵu(K)u(K)=1K\left\{ \begin{aligned}y_i' &=(1-\epsilon)\cdot y_i+\epsilon u(K)\\u(K)&=\frac{1}{K}\end{

按照 https://gitee.com/sycret/PyTorch-YOLOv3/tree/master 上的方法去train自己的dataset报错了 准备看一下为什么 顺便加深下对yolov3代码的理解。train$python3 train.py --model_def config/yolov3-custom.cfg --data_config config/custom.dataerror看起来是个数组越界的错，去看看哪里错了。(还顺便发现classes.names上传错文件了 已

ContentAssignmentCodeResultAssignment实现TensorFlow Playground的部分功能。数据分布为circle，暂时写成2层，一层有多个神经元；用填充的等高线画出分类边界。Code1. import几个库：numpy、matplotlib（画图用）、sklearn（生成data用）。from sklearn import datasetsimport numpy as npimport matplotlib.pyplot as plt2. 生成

目录Neural Network1. Why Need NN?2. Logistic Unit3. Neural Network4. Back PropagationNeural Network1. Why Need NN?-Mimic Brain连接主义 （人工经验 符号主义）-Non LinearNot possible by just combining features2. Logistic UnitActivation Function （非线性）3. Neural Net

Logistic Regression