叶子的博客

MMClassification 是一款基于 PyTorch 的开源图像分类工具箱，是 OpenMMLab 项目的成员之一 主分支代码目前支持 PyTorch 1.5 以上的版本。 MMClassification包含了诸多经典或高性能图像分类算法，复现了最新的一些论文和成果，特别是包括了大量CVPR论文的复现。 项目地址：GitHub - open-mmlab/mmclassification: OpenMMLab Image Classification Toolbox and Bench

【mmdetection】mmdetection安装详细步骤

pytorch模型保存技巧 ​ Pytorch会把模型相关信息保存为一个字典结构的数据，以用于继续训练或者推理。1 保存与加载模型参数这是最常见的模型保存与加载方式，保存方式如下：state = model.state_dict()torch.save(state, ‘xxx.pth’)模型参数加载之前需要先定义模型的网络结构，假设已定义好的网络结构为model。那么模型参数加载方式如下：checkpoint = torch.load('xxx.pth'...

pytorch使用记录（持续更新），关于数据和模型处理部分，本文将持续进行更新 1、找不到moule.xxx当训练模型在重新加载用于评估的时候出现少了一个module前缀，这个问题通常是由于训练的时候采用了数据并行操作，而评估模型的时候却没有用到。因此，只需要在训练代码中补充：net = nn.DataParallel(net)#加在模型定义完成之后2、torch.stack：堆叠拼接torch.stack((a, b, c), dim=0)#将a、b、c进行拼接，假设abc

Yolov5模型加载与推理的简化代码，只需要一个文件即可，不依赖其他文件。

1、按索引赋值：index_put#index_put不改变变量本身#index_put_改变变量本身，相当于inplace操作#index_input((维度1坐标列表, 维度2坐标列表), 赋值列表)x = torch.ones((3, 3))print(x)index = [torch.LongTensor([0, 1, 0, 2]),torch.LongTensor([0, 2, 2, 1])]#生成索引value = torch.Tensor([0, 1, 1, 2])x1 =

1、对应元素相乘a = torch.tensor([[1, 2], [2, 3]])b = torch.tensor([[1, 2], [2, 3]])print(a*b)'''tensor([[1, 4], [4, 9]])'''a = torch.tensor([[1, 2], [2, 3]])b = torch.tensor([[[1, 2], [2, 3]],[[1, 2], [1, 2]]])print(b.shape)print(a*b)2、数学里的.

1、输入input：数据维度是 (seq, batch, feature)，即序列长度、batch_size、每个时刻特征数量。2、output, (hn, cn) = nn.LSTM(input_size, hidden_size, num_layers)input_size：每时刻输入特征数量hidden_size：隐藏层特征数量，决定着输出每一时刻的特征维度num_layers：隐藏层数量output：输出结果，维度为（seq， batch_size，hidden_size），相比

1、deform conv 在pytorch 1.4 cuda10.1下可以直接通过python setup.py build等相关命令安装成功，但是当pytorch版本较高时会编译失败。2、如果编译报：error C3861: "AT_CHECK": 找不到标识符。那么在相应的.cpp 文件（如deform_conv_cuda.cpp、deform_pool_cuda.cpp）的开头增加：#ifndef AT_CHECK#define AT_CHECK TORCH_CHECK#end