weixin_56054625的博客

预训练：在大数据集上学通用特征。微调：在小数据集上调整模型以适应新任务。意义：提升小数据性能、节省资源、避免过拟合。

3.在condition这一行选择step==199，注意一定是两个等号，然后点击done，程序就可以精准地跑到对应的step停下来。1.首先在循环语句这一行打断点。2.然后鼠标右键这个断点处。

conda-forge通常比默认通道更新得更频繁，提供了更多的软件包版本和更广泛的软件包兼容性。而如果你需要访问更广泛的软件包，或者希望获得最新的软件包版本，conda-forge提供了一个更大的选择范围。conda-forge作为一个社区驱动的项目，提供了更广泛的软件包选择，包括许多专业领域如生物信息学、物理学和工程学等的专业工具。用户提供一个广泛的、社区支持的软件包集合，这些软件包可能不在Anaconda默认的软件包集合中。软件包集合，它提供了成千上万的软件包，这些软件包由社区成员维护和更新。

argparse是Python标准库中的一个模块，用于解析命令行参数。它能够帮助开发者轻松编写用户友好的命令行接口，使得程序可以通过命令行参数来接受用户输入，并根据这些输入执行相应的功能。

在机器学习的训练过程中，我们希望面部数据、语音数据和它们的标签能够一一对应，并且每次训练时数据的顺序都是随机的。通过一个具体的例子来说明 `zip` 和 `shuffle` 在处理多模态数据时的作用。使用 `random.shuffle` 函数对 `combined` 列表进行随机打乱。使用 `zip` 函数将面部数据、语音数据和标签打包在一起，以便它们保持对应关系。使用 `zip(*combined)` 将打乱后的列表解包回三个独立的数组。

值得注意的是，`LabelEncoder` 会按照它们第一次出现的顺序给标签分配数字。在这个例子中，'cat' 是第一个出现的，所以它被分配了数字 1；'dog' 是第二个出现的，所以它被分配了数字 2；'bird' 是第三个出现的，所以它被分配了数字 0。此外，`LabelEncoder` 还可以用来逆转换，即将整数标签再转换回原始的文本标签。此时，`LabelEncoder` 会检查所有的标签，并创建一个映射，这样，我们就可以将模型预测的整数标签转换回人类可读的文本标签。2. 然后，我们将这个实例。

如果不设置seed，则每次会生成不同的随机数。如图分别设置种子数为0,1,2可发现,

关键字系统会自动调用 f.close() 方法， with 的作用等效于 try/finally 语句是一样的。在文件对象中定义了 __enter__ 和 __exit__ 方法，即文件对象也实现了上下文管理器。使用 with 语句确保在嵌套块的末尾调用 __exit__ 方法。语句使代码更清晰、更具可读性， 它简化了文件流等公共资源的管理。以上代码如果在调用 write 的过程中，出现了。，发生异常时执行 except 代码块，以上代码我们对可能发生异常的代码处进行。调用 __exit__ 方法。

名称或标签位置首先，我们先创建一个DataFrame生成数据。

在训练时，。比如loss.item()。可以看出是.item()，item()返回的是一个，所以我们在求loss或者accuracy时，一般使用item()，而不是直接取它对应的元素x[1,1]。

一个python的文件有两种使用的方法是直接作为脚本执行是import到其他的python脚本中被调用（模块重用）执行。就是控制这两种情况执行代码的过程。

可以在其基础上定义出自己想要的功能参考博文：【pytorch】torch.nn 与 torch.nn.functional 的区别_torch.nn和torch.nn.function的区别-优快云博客文章浏览阅读554次。今天在看pytorch的代码时，看到了torch.nn 和 torch.nn.functional，然后查了两个模块的官方doc，也没有看明白有啥区别，然后就查了一下资料，这里记录一下，方便以后查阅。_torch.nn和torch.nn.function的区别。