ClaireQi的博客

最近想运行一个网络，用到了centernet，需要安装DCNv2，折腾了两天，记录一下填坑的过程。下载（1）github上最新版的DCNv2源码在"https://github.com/CharlesShang/DCNv2"，但是该版本源码不支持PyTorch1.7，如果使其支持PyTorch1.7需要做以下修改：将DCNv2/src/cuda/dcn_v2_cuda.cu中所有的THCState_getCurrentStream(state)替换成c10::cuda::getCurrentCUD

默认从conda源下载，安装了一天也没安装上，尝试了几个国内源，最终使用上海交大的源成功安装了。安装过程如下：从官网（https://pytorch.org/get-started/locally/）上选择自己的相关环境配置，找到对应的pytorch安装指令。比如：conda install pytorch torchvision torchaudio cudatoolkit=10.1 -c pytorch进入自己的conda虚拟环境，首先看下已经安装了哪些镜像源：conda config

pycharm远程连接服务器运行代码加调试

深度学习中的Epoch，Batchsize，Iterations，都是什么鬼？batch_size与梯度下降Epoch，Batchsize，Iterations概念- Epoch: 所有训练样本都已经输入到模型中，称为一个 Epoch- Iteration: 一批样本输入到模型中，称为一个 Iteration- Batchsize: 批大小，决定一个 iteration 有多少样本，也决定了一个 Epoch 有多少个 Iteration梯度下降计算过程带Mini-batch的SGD（1）选

torchvision.transformsPyTorch中文文档：pytorch torchvision transformPyTorch源码解读（二）torchvision.transformstorchvision.transforms这个包中包含resize、crop等常见的data augmentation操作，基本上PyTorch中的data augmentation操作都可以通过该接口实现。该包主要包含两个脚本：transformas.py和functional.py，前者定义了各种

PyTorch框架中有一个非常重要且好用的包torchvision。torchvision包主要由3个子包组成，分别是：torchvision.datasets（目前流行的数据集）；torchvision.models（目前流行的模型结构）；-torchvision.transforms（常用的图片转换工具）。这3个子包的具体介绍可以参考官网PyTorch中文文档PyTorch源码解读（三）torchvision.datasetsPyTorch源码解读（四）torchvision.mod

前言安装好anaconda之后，会默认有一个名为base的虚拟环境，该base虚拟环境下安装的包，路径在anaconda3/bin。通过conda create自行创建的虚拟环境，该虚拟环境以及该虚拟环境下所有的安装包，其路径都在anaconda3/envs/虚拟环境名/bin下。基本操作查看所有虚拟环境：conda info -e （查看所有的虚拟环境）创建虚拟环境，比如创建python=3.6版本的环境：conda create -n <要创建的虚拟环境的名字> python=3

更新keras后，运行代码报错“TypeError: pool_2d() got an unexpected keyword argument 'ws' ”keras更新指令：pip install git+git://github.com/fchollet/keras.git --upgrade --no-deps原因：0.8版本的theano 不适应2.0版本的keras，接口

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Softmax_Regression

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:PCA_and_Whitening

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Sparse_Autoencoder

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:PCA_and_Whitening

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:_Implement_deep_networks_for_digit_classification

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Vectorization

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Convolution_and_Pooling

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Learning_color_features_with_Sparse_Autoencoders

教程地址：http://deeplearning.stanford.edu/wiki/index.php/UFLDL_TutorialExercise地址：http://deeplearning.stanford.edu/wiki/index.php/Exercise:Self-Taught_Learning