Irving.Gao的博客

文章目录安装NVIDIA驱动安装CUDA和cudnncudnn安装测试安装版本信息:NIVIDA Driver:±----------------------------------------------------------------------------+| NVIDIA-SMI 470.94 Driver Version: 470.94 CUDA Version: 11.4 ||-------------------------------±---

文章目录TensorPytorch DocumentationTensorTensor.max()B, N, C, H, W = feat.shapefeat = feat.max(dim=1)feat.shape # [B, 1, C, H, W]Tensor.view()B, N, C, H, W = feat.shapefeat = feat.view(B, N, C, H*W)Tensor.permute()B, N, C, H, W = feat.shap

无监督学习之t-SNEhttps://github.com/SarthakV7/Clustering-Barron-s-333-word-list-using-unsupervised-machine-learning

【代码】Pytorch——查找、替换module相关操作。

在点云的3D感知算法中，常用和的数据增强方式，这两个可以有效地增强模型的鲁棒性，提升模型的性能。而本文的出发点在于当我们同时对相同的data使用了多种不同的随机增强方式时，当我们需要在模型中将不同增强方法下的或者GT 3D Box进行对齐时，就需要涉及到逆变换。尤其适用于半监督等同时有label和unlabel data的代码。简单粗暴，我们直接上代码，注释直接写在代码中：（代码可以直接copy使用）

请注意，示例代码中的坐标范围是在 [-0.5, 0.5] 内进行归一化处理，以适应等间距的网格。如果你的实际应用需要不同的坐标范围或网格密度，可以相应地进行调整。x7的等间距网格坐标，然后根据每个box的中心坐标和宽高计算采样点的坐标。最后，将采样点的坐标展平成形状为。的张量，并返回该结果。

函数从索引中随机选择一个索引，最后创建一个新的张量，只在随机选择的索引处设置为。运行上述代码将输出类似如下的结果，其中只有一个。这种方法可以并行处理多个布尔类型张量。，从而实现了随机只保留一个。函数获取原始张量中所有。要将一个布尔类型的张量。被保留，其他位置都是。

【代码】Pytorch——报错解决：多卡训练超时错误Timed out initializing process group in store based barrier on rank。

【代码】Pytorch——报错解决：error in ms_deformable_im2col_cuda: invalid configuration argument。

【代码】Pytorch——对3D Voxel进行任意尺度放缩。

因为在做3D的voxel相关工作，需要对某些3D feat中特征点进行采样，而网上大多文章都没讲清楚，于是在这记录并分享一下自己的理解。

解决方法将改成：

安装对应版本torchtext：即可成功安装~参考文章：

编写并调用自定义CUDA Pytorch算子

报错解决：No inf checks were recorded for this optimizer.

【代码】Pytorch——基于max pooling实现图像腐蚀和膨胀。

【代码】Pytorch——报错解决：AttributeError: module ‘setuptools._distutils‘ has no attribute ‘version‘

Numpy与Torch API总结

【代码】MMDet——EMA更新hook详解。

主要原因是由于获取到batch中输入有None，反推代码，说明你的。因此，解决方法就是不要让返回值有None即可。函数返回值为None，因此出现如下报错。

但是在多卡分布式过程中，不允许出现同一个model前向两次的情况，会报错（我在做Semi-Supervised过程中，需要分别计算。

我在做Semi-Supervised任务时遇到了该BUG，因为在写模型时将student的model运行了两次，分别对两组image进行了forward train并计算了loss，因此出现了如下错误，以此记录。

【代码】Pytorch——ConcatDataset。

TTA

深度学习之常用损失函数损失函数loss大总结损失函数（Loss Function）

学习率太高，导致不收敛cost为nan。

目前要做两个无序点集之间的相似性计算，在看过Chamfer Distance后，个人觉得CD的计算方式决定了其无法处理两个点集整体分布差异大，但是局部有部分点距离很近的情况，而这种情况在点集中是一定可能出现的，因此使用EMD可以保证每个点集都有一一对应的整体cost最小点。

我的错误出现在Transformer模块的Decoder中

目标检测mAP计算以及coco评价标准图解 Chamfer Distance。

训练报错解决

UnboundLocalError

1

1

文章目录运行参考文章：pytorch多gpu并行训练运行python -m torch.distributed.launch --nproc_per_node=NUM_GPUS_YOU_HAVE main.pynproc_per_node: 这个参数是指你使用这台服务器上面的几张显卡