<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xiaoyuer的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_43689986</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_43689986]]></copyright><item><title><![CDATA[远程服务器神器：screen命令]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/131366649</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/131366649</guid><author>qq_43689986</author><pubDate>Sat, 24 Jun 2023 22:05:29 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[标签平滑（label smoothing）]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/131341652</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/131341652</guid><author>qq_43689986</author><pubDate>Thu, 22 Jun 2023 16:44:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[分布式训练（中）——DP、DDP模式]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/130928159</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/130928159</guid><author>qq_43689986</author><pubDate>Mon, 29 May 2023 15:42:39 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[分布式训练（上）——rank local_rank node]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/130916843</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/130916843</guid><author>qq_43689986</author><pubDate>Sun, 28 May 2023 20:20:41 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[模型训练Tricks——EMA指数移动平均]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/130913393</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/130913393</guid><author>qq_43689986</author><pubDate>Sun, 28 May 2023 16:06:48 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[目标检测的mAP计算]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/130820042</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/130820042</guid><author>qq_43689986</author><pubDate>Tue, 23 May 2023 10:01:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【目标检测算法】YOLO-V5训练结果的分析与评价]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/130815892</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/130815892</guid><author>qq_43689986</author><pubDate>Mon, 22 May 2023 21:41:24 +0800</pubDate><description><![CDATA[零、目标检测性能指标
一、 confusion_matrix
二、P&R&PR&F1_curve
1. P_curve
2. R_curve
3. PR_curve
4. F1_curve
三、labels&labels_correlogram
四、result.png&result.txt
1. loss functions
2. result.csv
五、train_batchx
六、val_batchx_labels&val_batchx_pred]]></description><category></category></item><item><title><![CDATA[循环神经网络RNN]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/127817165</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/127817165</guid><author>qq_43689986</author><pubDate>Sat, 12 Nov 2022 11:28:30 +0800</pubDate><description><![CDATA[循环神经网络RNN、RNN的多种类型]]></description><category></category></item><item><title><![CDATA[DeepLearning-交叉验证的方法和用途]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/127570097</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/127570097</guid><author>qq_43689986</author><pubDate>Sat, 29 Oct 2022 18:27:38 +0800</pubDate><description><![CDATA[交叉验证检验机器、深度学习模型。
简单交叉验证 K折交叉验证 留一交叉验证、模型评估、模型选择。]]></description><category></category></item><item><title><![CDATA[DeepLearning-from_logits参数]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/127529750</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/127529750</guid><author>qq_43689986</author><pubDate>Wed, 26 Oct 2022 12:19:46 +0800</pubDate><description><![CDATA[from_logits=True/False]]></description><category></category></item><item><title><![CDATA[DeepLearning-Numerical Stability数值稳定性]]></title><link>https://blog.youkuaiyun.com/qq_43689986/article/details/127527106</link><guid>https://blog.youkuaiyun.com/qq_43689986/article/details/127527106</guid><author>qq_43689986</author><pubDate>Wed, 26 Oct 2022 10:31:25 +0800</pubDate><description><![CDATA[优化softmax计算中出现的栈溢出
优化交叉熵损失函数]]></description><category></category></item></channel></rss>