墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
7k累计阅读
7k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
关于这个报错的意思是：有一个参数不需要计算导数
此torch.autograd.grad函数参数如下：outputs，inputs,函数功能是求outputs关于inputs的导数，此处的inputs需要加requires_grad_()定义：
v = Variable(v).to(device).requires_grad_()
在loss.backward()中报错：显然是因为此处的loss不是标量而是张量，经过反复检查发现model采用nn.DataParallel导致loss是一个张量长度为cuda数量。因此删除如下代码：
model = nn.DataParallel(model).to(device)
用PyTorch和COCO数据集复现Mask R-CNN：训练你自己的实例分割模型（附常见报错排查）
本文详细介绍了如何使用PyTorch和COCO数据集复现Mask R-CNN模型，从环境配置、数据准备到训练调优和实际部署的全流程。通过实战案例和常见报错排查，帮助开发者快速掌握实例分割技术，提升计算机视觉项目的开发效率。
Pytorch报错：One of the differentiated Tensors does not require grad
原因： 用到了autograd.grad求导函数，而其中一个求导变量require_grad属性是False 解决方法 单步调试发现，原来是建立变量的时候没有设置requires_grad=True，因此改成True就好了。 torch.randn(batch, latent_dim, device=device, requires_grad=True) ...
复现论文步骤
在复现前，先梳理论文和代码的对应关系，确保理解整体结构。
Diffusion微调报错：RuntimeError: One of the differentiated Tensors does not require grad
由于在微调设置时设置了不微调层的require_grad=False，导致output_grads=None，进而导致torch.autograd.grad失效。解决办法：设置flag=False。最近在开展Diffusion Model模型微调的相关工作时，设置微调层后反传梯度多次遇到以下报错。代码：OpenAI-UNetModel。网路上相关内容较少，特此记录。
PyTorch模型训练：梯度反向传播错误排除指南
在梯度反向传播过程中，我们可以通过损失函数来计算每个参数对于最终的损失值的贡献，然后利用链式法则来计算每个参数的梯度。然而，有时候我们会遇到一些梯度反向传播相关的错误，这些错误可能会让我们的模型无法正常训练。这个错误通常会在GPU上训练模型时出现，它的意思是在卷积层反向传播的过程中出现了NaN值（Not a Number）。这个错误通常是在使用GPU训练模型时出现的，它的意思是输入数据在CPU上而不是GPU上。这个错误通常会在计算梯度时出现，它的意思是有一个张量的梯度没有被计算。
【图像去噪】论文复现：即插即用模块！通过提示块提升Restormer模型性能！PromptIR的Pytorch源码复现，跑通源码，解决各种报错，获得去噪结果和指标，模型实现详解，示意图与源码对应！
论文题目：PromptIR: Prompting for All-in-One Blind Image Restoration —— PromptIR：提示多功能盲图像恢复【图像去噪】论文精读：PromptIR: Prompting for All-in-One Blind Image Restoration本文以去噪任务为例进行复现。Prompt Block值得积累一下，基于Transformer的结构可以尝试使用，并根据实际情况改进；
RuntimeError: One of the differentiated Tensors does not require grad
记录一个搞了很久的bug。
【图像超分】论文复现：经典超分 | SAN的Pytorch源码复现，跑通源码，适配高版本的python/pytorch/cuda，使用EDSR-PyTorch进行训练和测试
本文介绍了单幅图像超分辨率重建方法SAN（二阶注意网络）的代码实现。文章详细说明了在高版本Python/Pytorch环境下适配SAN源码的方法，并提供了修改后的完整代码和预训练模型下载链接。 主要亮点包括： 将SAN模型实现整合到EDSR-Pytorch框架中，解决了高版本环境下的兼容性问题 提供了完整的数据集准备指南（DIV2K训练集和5个测试集） 给出了详细的测试命令，涵盖x2、x3、x4不同放大倍率 公开了预训练模型和可视化结果的下载资源 提供了修改后的适配高版本环境的代码。
DnCNN 介绍及基于Pytorch复现
《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》是2017年由等人提出的一篇论文，主要探索了使用深度卷积神经网络（CNN）来进行图像去噪的方法。与传统的高斯噪声去噪方法相比，提出的方法不仅仅依赖于高斯噪声模型，而是采用了残差学习来改进去噪性能。提出了卷积神经网络结合残差学习来进行图像降噪，直接学习图像噪声，可以更好的降噪。
手把手教你用Verilog实现AT24C64的I2C读写（附完整仿真流程）
本文详细介绍了如何使用Verilog HDL设计AT24C64 EEPROM的I2C控制器，并配合ModelSim完成完整的仿真验证流程。内容涵盖I2C协议解析、Verilog状态机设计、AT24C64读写操作实现，以及仿真波形分析和调试技巧，为FPGA开发者提供了一套完整的EEPROM控制解决方案。
手把手教你用Python模拟侧信道攻击：从电磁辐射到数据窃取（附防御代码）
本文详细介绍了如何使用Python模拟侧信道攻击，从电磁辐射信号采集到数据窃取的全过程，并提供了实用的防御代码。通过实战案例，帮助安全研究员和开发者理解侧信道攻击原理，掌握信号处理与图像重建技术，同时学习有效的噪声干扰和电磁屏蔽防御措施。
复现论文-报错记录dream-ood
具体报错：RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase. This probably means that you are not using fork to start your child processes and you have forgotten to use the proper idiom
AI自主网络攻击技术深度解析：从LLM驱动到防御体系升级
网络安全领域正经历从自动化脚本到智能自主攻击的范式转变。其核心原理在于将大型语言模型（LLM）与自动化渗透测试框架深度融合，构建具备环境感知、决策规划和自适应能力的攻击系统。这种技术的核心价值在于实现了从预设步骤到目标驱动的质变，能自主完成信息收集、漏洞利用、横向移动等复杂攻击链。在应用场景上，它不仅能极大提升高级持续性威胁（APT）的攻击效率，也对渗透测试和红队演练技术提出了新的要求。面对此类由AI驱动的自主攻击，传统的基于签名的防御体系已显不足，必须转向以行为分析和零信任为核心的整体纵深防御。本次曝光的
复现github中pytorch模型过程被折磨记录
一些曲折：（由于把/etc/profile中文件看成.profile。且实际上profile文件起效直接。不知道为啥原本在普通用户下conda命令出现http000的问题不见了。不知道是不是重启了（倒地哭泣）修改/etc/environment文件后重启，依旧无效。root第一次使用conda命令要先conda init。
企业AI Agent审计与合规：从日志留存到网络联动的完整落地指南
审计日志是企业安全与合规体系的基石，尤其在AI Agent大规模接入业务后，如何完整记录其行为链成为新的挑战。从日志留存180天到PCI DSS合规要求，审计体系需要覆盖会话、推理、工具调用、数据访问等关键环节，并结合不可篡改的存储设计，确保证据链可信。同时，借鉴上网行为管理设备对应用行为控制审计的思路，以及Kismet被动监测网络流量的方法论，将网络侧审计与应用侧日志交叉验证，能有效发现越权和异常行为。本文从日志采集、全链路追踪、基线预警到多租户隔离，系统梳理了AI Agent审计与合规落地的关键路径，帮
MacBook用户必看：用Homebrew一键搞定frp内网穿透（含阿里云配置模板）
本文为MacBook用户提供基于Homebrew的frp内网穿透实战指南，详细介绍了从环境准备到阿里云服务器配置的全过程。通过Homebrew一键安装frp客户端，结合阿里云配置模板，实现高效稳定的内网穿透，适用于远程开发、IoT设备调试等多种场景。
pytorch实现segnet_pytorch版segnet复现实践
复现了github地址：https://github.com/nshaud/DeepNetsForEO的pytorch版本应用于遥感影像上的segnet模型。将配置环境时遇到的问题总结如下：1.在指定的conda虚拟环境运行Jupyter Notebook参考网址：https://blog.youkuaiyun.com/weixin_43593330/article/details/89856136#查看已有...
差分逻辑电平——LVDS、CML、LVPECL、HCSL互连
首先了解差分逻辑电平结构，也包括单端逻辑电平常见的逻辑电平_常用的逻辑电平-优快云博客注：ECL >> PECL >> LVPECL演变而来；QDR（Quad Data Rate):四倍数据倍率本文章只涉及差分逻辑电平:LVDS 、LVPECL、CML （高速）(最常用）在任何给定的系统设计中，必须设计驱动器侧和接收器侧之间的时钟逻辑转换。通过在它们之间增加衰减电阻和偏置电路来将一个差分时钟转换为其他类型的差分逻辑，来衰减摆幅电平并重新偏置共模输入接收器。
记录自己复现跑通Pytorch-UNet的步骤及问题
点击 "Create New API Token"，会自动下载。3.安装cuda=11.8+pytorch=2.3.1指定版本。后，您可以通过命令行界面轻松地在您的图像上测试输出遮罩。(我采用了博主提供的第二种方法，完美解决报错问题)点击 "Join Competition" 按钮。训练过程中遇到了wandb的网络报错问题。1.首先配置清华源（使用命令一键配置）在训练完模型并将其保存到。解决方案详见这篇博客。
OI 生涯回忆录 《Pilgrimage》
前言 于 NOI2020 后写下本文。 本文简单提及了在写作时尚能回忆起来的，在我的 OI 生涯中对我的影响重大的人、事、比赛等。 写作本文，旨在在回忆允许的范围内，对 OI 生涯进行一定程度上的梳理，总结。 开端 入门 我最早接触计算机程序设计，是在小学。 那时候，我的数学成绩不错，就被老师推荐去学习编程。 就这样，我在局前街小学的何静老师的指导下，走上了编程的道路。 小学时的编程，与其说是 “竞赛” ，不如说是 “兴趣班” 。 当时，包括我在内，很多小孩子天性是浮躁的。支撑我对着无聊的代码学下去的，并不
Cesium中级开发教程之二十二：视锥体
教程示例网站：https://thomaz529.github.io。
pytorch代码复现：MIEEG-GAN——生成人工运动想象脑电图信号【1】
使用pytorch对MIEEG GAN的工作做了一下复现
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
AutoDL上复现Deep3DFaceRecon_pytorch记录
在AutoDL云平台上成功配置PyTorch环境并复现Deep3DFaceRecon项目，详细记录了环境搭建、依赖安装、模型测试及常见问题解决过程，包括CUDA版本匹配、ninja编译错误和OpenGL兼容性处理，为后续复现提供实用参考。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
querydet服务器复现记录
querydet复现日志
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
AutoDL复现Deep3DFaceRecon_pytorch记录
在AutoDL平台上成功复现Deep3DFaceRecon_pytorch，详细记录环境配置、依赖安装与测试过程，解决CUDA版本冲突、ninja编译及OpenGL兼容性问题，提供实用避坑建议。
OpenPCDet详细部署与复现
OpenPCDet是一个用于3D目标检测的开源工具箱，它提供了多种数据集的加载器，支持多种模型，并且易于扩展。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
361
扫一扫
