weixin_44148833的博客

安装MMSegmentation

warm-up学习率调整策略模型在刚开始训练的时候比较不稳定的，刚开始的学习率应当设置得很低很低，这样可以保证网络能够具有良好的收敛性。但是较低的学习率会使得训练过程变得非常缓慢，因此采用较低学习率逐渐增大至较高学习率的方式实现网络训练的“热身”阶段，称为 warmup stage。但是如果要使得网络训练的 loss 最小，那么一直使用较高学习率是不合适的，因为它会使得权重的梯度一直来回震荡，很难使训练的损失值达到全局最低谷。因此需要在经过一些steps之后学习率再慢慢变小。之前训练模型很不容易收敛，

使用Flask简单部署深度学习模型一、安装 Flaskpip install Flask==2.0.2pip install Flask_Cors==3.0.9pip install Pillow二、Flask程序运行过程当客户端想要获取资源时，一般会通过浏览器发起HTTP请求。此时，Web服务器会把来自客户端的所有请求都交给Flask程序实例。程序实例使用Werkzeug来做路由分发（URL请求和视图函数之间的对应关系）。根据每个URL请求，找到具体的视图函数并进行调用。在Flask

Swin-Transformer object detection 环境配置1. 下载Swin-Transformer Object Detection官方代码到服务器git clone https://github.com/SwinTransformer/Swin-Transformer-Object-Detection.git2. 创建 conda虚拟环境conda create -n swin python=3.7conda activate swin3. 配置环境conda ins