<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sxs11的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sxs11</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sxs11]]></copyright><item><title><![CDATA[Zotero 两台机器之间手动迁移]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/141057453</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/141057453</guid><author>sxs11</author><pubDate>Fri, 09 Aug 2024 11:29:22 +0800</pubDate><description><![CDATA[【代码】Zotero 两台机器之间手动迁移。]]></description><category></category></item><item><title><![CDATA[Jacobian矩阵和Hessian矩阵]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82499193</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82499193</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 16:48:38 +0800</pubDate><description><![CDATA[转自https://www.cnblogs.com/bnuvincent/p/6651254.html

1. Jacobian

在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都以数学家卡尔·雅可比(Carl Jacob, 1804年10月4...]]></description><category></category></item><item><title><![CDATA[python __getattr__函数]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82497869</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82497869</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 16:22:03 +0800</pubDate><description><![CDATA[
__getattr__ : 当获取 self.__dict__ 中没有的键所对应的值的时候，就会调用这个方法

因为 parameter, module, buffer 的键值对存在与 self._parameters, self._modules, self.buffer 中，所以，当想获取这些 值时， 就会调用这个方法。



def __getattr__(self, name):
   ...]]></description><category></category></item><item><title><![CDATA[python 方法加下划线，如copy_]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82497833</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82497833</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 15:46:52 +0800</pubDate><description><![CDATA[任何就地改变一个tensor的操作都以_为后缀。例如：x.copy_(y), x.t_()，都会改变x。]]></description><category></category></item><item><title><![CDATA[python 单下划线及双下划线使用总结]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82495659</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82495659</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 14:04:55 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/qq_31821675/article/details/78022862

Python 用下划线作为变量前缀和后缀指定特殊变量/方法。
主要存在四种情形

object # public
	__object__ # special, python system use, user should not define like it
	__object ...]]></description><category></category></item><item><title><![CDATA[Python中下划线---完全解读]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82495626</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82495626</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 14:03:21 +0800</pubDate><description><![CDATA[转自 https://www.cnblogs.com/skying555/p/6169110.html

Python 用下划线作为变量前缀和后缀指定特殊变量

_xxx 不能用’from module import *’导入

__xxx__ 系统定义名字

__xxx 类中的私有变量名

核心风格：避免用下划线作为变量名的开始。

 

因为下划线对解释器有特殊的意义，而且是内建标识符所使用的...]]></description><category></category></item><item><title><![CDATA[pytorch copy_]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82492372</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82492372</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 10:21:52 +0800</pubDate><description><![CDATA[copy_(src, non_blocking=False) → Tensor

Copies the elements from src into self tensor and returns self.

The src tensor must be broadcastable with the self tensor. It may be of a different data type ...]]></description><category></category></item><item><title><![CDATA[pytorch 广播语义(Broadcasting semantics)]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/82491892</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/82491892</guid><author>sxs11</author><pubDate>Fri, 07 Sep 2018 10:00:55 +0800</pubDate><description><![CDATA[许多PyTorch操作都支持。NumPy Broadcasting Semantics

简而言之，如果PyTorch操作支持广播，那么它的Tensor参数可以自动扩展为相同的大小（不需要复制数据）。

一般语义

如果遵守以下规则，则两个张量是“可播放的”：

每个张量至少有一个维度。
	迭代尺寸大小时，从尾随尺寸开始，尺寸大小必须相等，其中一个为1，或者其中一个不存在。
例如：


&amp;gt;&amp;...]]></description><category></category></item><item><title><![CDATA[pycharm单行和多行注释快捷键]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81945769</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81945769</guid><author>sxs11</author><pubDate>Wed, 22 Aug 2018 15:59:47 +0800</pubDate><description><![CDATA[单多行注释的快捷键是一样的：选中+Ctrl+/]]></description><category></category></item><item><title><![CDATA[DenseNet  Densely Connected Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81902527</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81902527</guid><author>sxs11</author><pubDate>Tue, 21 Aug 2018 10:09:41 +0800</pubDate><description><![CDATA[转自 https://blog.youkuaiyun.com/u012938704/article/details/53468483

      https://blog.youkuaiyun.com/u014380165/article/details/75142664


代码地址：https://github.com/liuzhuang13/DenseNet


首先看一张图：  
稠密连接：每层以之前层的输出为...]]></description><category></category></item><item><title><![CDATA[Pytorch指定使用的GPU]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81777645</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81777645</guid><author>sxs11</author><pubDate>Fri, 17 Aug 2018 14:57:57 +0800</pubDate><description><![CDATA[转自 http://www.cnblogs.com/darkknightzh/p/6836568.html

 

PyTorch默认使用从0开始的GPU，如果GPU0正在运行程序，需要指定其他GPU。

有如下两种方法来指定需要使用的GPU。

1. 类似tensorflow指定GPU的方式，使用CUDA_VISIBLE_DEVICES。

1.1 直接终端中设定：


CUDA_VISIBLE...]]></description><category></category></item><item><title><![CDATA[torch.normal()]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81775715</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81775715</guid><author>sxs11</author><pubDate>Fri, 17 Aug 2018 12:43:35 +0800</pubDate><description><![CDATA[torch.normal()


torch.normal(means, std, out=None)


返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差的形状不须匹配，但每个张量的元素个数须相同。

参数:

means (Ten...]]></description><category></category></item><item><title><![CDATA[pytorch学习-莫烦]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81775257</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81775257</guid><author>sxs11</author><pubDate>Fri, 17 Aug 2018 11:54:37 +0800</pubDate><description><![CDATA[PyTorch 官网
https://www.bilibili.com/video/av15997678/?p=14

https://morvanzhou.github.io/tutorials/machine-learning/torch/3-04-save-reload/

要点 

训练好了一个模型, 我们当然想要保存它, 留到下次要用的时候直接提取直接用, 这就是这节的内容啦. 我们用回...]]></description><category></category></item><item><title><![CDATA[channel通道数与卷积层]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81411913</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81411913</guid><author>sxs11</author><pubDate>Sat, 04 Aug 2018 15:59:03 +0800</pubDate><description><![CDATA[转自 https://blog.youkuaiyun.com/alibabazhouyu/article/details/81151008

在深度学习的算法学习中，都会提到 channels 这个概念。在一般的深度学习框架的 conv2d 中，如 tensorflow 、mxnet ，channels 都是必填的一个参数。

channels 该如何理解？先看一看不同框架中的解释文档。

首先，是 tens...]]></description><category></category></item><item><title><![CDATA[pytorch deeplearning测试阶段GPU测试问题]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81390408</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81390408</guid><author>sxs11</author><pubDate>Fri, 03 Aug 2018 16:50:08 +0800</pubDate><description><![CDATA[按照https://www.jianshu.com/p/889dbc684622实现了CIFAR10的分类，

但是转到GPU上之后，出现error，是数据类型转换问题。

原在cpu上测试的代码：


correct = 0
total = 0
for data in testloader:
    images, labels = data
    outputs = net(Variable...]]></description><category></category></item><item><title><![CDATA[python学习-字典]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81358036</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81358036</guid><author>sxs11</author><pubDate>Thu, 02 Aug 2018 14:18:10 +0800</pubDate><description><![CDATA[http://www.pythondoc.com/pythontutorial3/datastructures.html

字典

另一个非常有用的 Python 内建数据类型是 字典 （参见 Mapping Types — dict ）。字典在某些语言中可能称为 联合内存 （ associative memories ）或 联合数组 （ associative arrays ）。序列是以连续的整...]]></description><category></category></item><item><title><![CDATA[python学习Lambda]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81355896</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81355896</guid><author>sxs11</author><pubDate>Thu, 02 Aug 2018 11:36:49 +0800</pubDate><description><![CDATA[Lambda 形式

出于实际需要，有几种通常在函数式编程语言例如 Lisp 中出现的功能加入到了 Python。通过 lambda 关键字，可以创建短小的匿名函数。这里有一个函数返回它的两个参数的和： lambda a, b: a+b。 Lambda 形式可以用于任何需要的函数对象。出于语法限制，它们只能有一个单独的表达式。语义上讲，它们只是普通函数定义中的一个语法技巧。类似于嵌套函数定义，la...]]></description><category></category></item><item><title><![CDATA[python学习-break 和 continue 语句, 以及循环中的 else 子句]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81354506</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81354506</guid><author>sxs11</author><pubDate>Thu, 02 Aug 2018 10:45:48 +0800</pubDate><description><![CDATA[break 和 continue 语句, 以及循环中的 else 子句

break 语句和 C 中的类似，用于跳出最近的一级 for 或 while 循环。

循环可以有一个 else 子句；它在循环迭代完整个列表（对于 for ）或执行条件为 false （对于 while）时执行，但循环被 break 中止的情况下不会执行。以下搜索素数的示例程序演示了这个子句:


&amp;gt;&amp;gt;&amp;gt;...]]></description><category></category></item><item><title><![CDATA[python学习：多重赋值顺序]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/81353851</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/81353851</guid><author>sxs11</author><pubDate>Thu, 02 Aug 2018 10:22:08 +0800</pubDate><description><![CDATA[当然，我们可以使用 Python 完成比二加二更复杂的任务。例如，我们可以写一个生成 菲波那契 子序列的程序，如下所示:



 


&amp;gt;&amp;gt;&amp;gt; # Fibonacci series:
... # the sum of two elements defines the next
... a, b = 0, 1
&amp;gt;&amp;gt;&amp;gt; while b &amp;lt; 10:
...   ...]]></description><category></category></item><item><title><![CDATA[win10无法连接打印机问题]]></title><link>https://blog.youkuaiyun.com/sxs11/article/details/78893951</link><guid>https://blog.youkuaiyun.com/sxs11/article/details/78893951</guid><author>sxs11</author><pubDate>Mon, 25 Dec 2017 16:15:55 +0800</pubDate><description><![CDATA[问题描述：
   你不能访问共享文件夹，因为你组织的安全策略阻止未经身份验证的来宾访问。这些策略帮助保护你的电脑免受网络上不安全设备或恶意设备的威胁。


解决办法：
  1. 在开始菜单搜索“编辑组策略”
  2.本地组策略编辑器，顺着左侧的策略树，找到“计算机配置-管理模板-网络-Lanman工作站”这个节点，在右侧内容区可以看到“启用不安全的来宾登录”这一条策略设置。状态是“未配]]></description><category></category></item></channel></rss>