- 博客(11)
- 收藏
- 关注
RSS订阅原创 远程服务器神器：screen命令
当你通过ssh登录或以ssh为基础的工具软件（比如XShell、PyCharm，VSCode等，可以用这类工具调试，但是最终长时间运行时请以守护进程的方式执行命令）进行远程执行程序时，那么请注意开守护进程来执行程序，避免因为SSH连接中断导致程序终止，遭受不必要的损失。在使用服务器远程跑程序时，偶尔会遇到这样的问题：跑了很久，却突然断开连接了，一夜回到解放前，或者退出窗口重新进入时看不到代码运行界面了。那么，我们在运行代码之前使用screen等命令创建会话窗口，就可以解决以上问题。
2023-06-24 22:05:29
1967
2
转载 标签平滑（label smoothing）
换言之，带有标签平滑的损失要想下降到传统交叉熵损失的程度，就要学习的更好，迫使模型往正确分类的方向走。此外，标签平滑也能够防止模型在训练过程中过于相信真实标签，从而提高模型在未知数据上的泛化能力。
2023-06-22 16:44:04
883
1
转载 分布式训练（中）——DP、DDP模式
1、在DP中，每个GPU上都拷贝一份完整的模型，每个GPU上处理batch的一部分数据，所有GPU算出来的梯度进行累加后，再传回各GPU用于更新参数2、DP多采用参数服务器这一编程框架，一般由若个计算Worker和1个梯度聚合Server组成。Server与每个Worker通讯，Worker间并不通讯。因此Server承担了系统所有的通讯压力。基于此DP常用于单机多卡场景。
2023-05-29 15:42:39
3756
1
转载 分布式训练（上）——rank local_rank node
在整个分布式中的序号，每个进程都有一个rank和一个local_rank，rank是相对整个分布式而言（就是序号从0开始一直到整个分布式中最后一个GPU的数，类似于range(0,整个分布式GPU数量），这里不是相对于一个。WORLD_SIZE代表着所有机器中总进程数(一个进程对应一块GPU)，RANK代表着是在WORLD_SIZE中的哪一个进程，LOCAL_RANK代表着当前机器上的第几个进程（GPU）。每个物理节点上面进程的数量，等价于每个电脑上GPU的数量，就是可以开几个进程。
2023-05-28 20:20:41
846
2
转载 模型训练Tricks——EMA指数移动平均
Copy一份模型所有权重（记为Weights）的备份（记为EMA_weights，影子参数），训练过程中每次更新权重时同时也对EMA_weights进行滑动平均更新
2023-05-28 16:06:48
702
1
转载 目标检测的mAP计算
上面我们已经定义好了，下面我们就可以过渡到直接参与计算mAP值的两个指标Precision和Recall。相信大家对这两个指标应该很熟悉，为了完整性，这里再重申一遍：Precision是查准率，意味着预测框中有多少真正包含了目标，计算公式如下：Recall是召回率，意味着真正的目标中有多少被预测框包含，计算公式如下：依旧以上图为例，我们可以轻松的得出TP=4，FP=1，FN=1。从而可以计算出Precision和Recall值都为0.8。
2023-05-23 10:01:22
633
1
转载 【目标检测算法】YOLO-V5训练结果的分析与评价
零、目标检测性能指标一、 confusion_matrix二、P&R&PR&F1_curve1. P_curve2. R_curve3. PR_curve4. F1_curve三、labels&labels_correlogram四、result.png&result.txt1. loss functions2. result.csv五、train_batchx六、val_batchx_labels&val_batchx_pred
2023-05-22 21:41:24
5103
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人