zxyOVO的博客

arctan实际上是用来计算点(x，y)的弧度的，是tan的反函数，推导如下，α为弧度​​y=arctan(x)其图像如下 y为弧度，x为任意值，这里不是指上面的x，y​但这种弧度计算方式是有缺陷的，比如我想区分如下图A、B两点的弧度，如果AB弧度都是​那么就无法区分开了，这也就是atan2解决的东西​。

p=0.5dropout和P下面是pytorch官方文档在训练期间，使用伯努利分布的样本，以概率p随机归零输入张量的一些元素。每个信道将在每次前向传播时独立归零。一句话来说就是我让输入的tensor中每一个元素都有p的概率变为0，剩下的元素都除以(1-p)，就是扩大剩余的元素来保证整体平均值一定注意：在pytorch中的p也就是p是让输入归0的概率，也就可以说是输入失效的比例，越高失效越多Dropout作用于神经元也就是输入的tensor数据，而非作用域模型的params。

"""Args:"""self.features = features # 储存密集的featureself.indices = indices # 储存每个feature对应的voxel坐标系下的坐标self.spatial_shape = spatial_shape #存储voxel的最大边界self.batch_size = batch_size # 储存batch sizeself.indice_dict = {} # 储存坐标之间的对应关系...参数。

scaler的大小在每次迭代中动态的估计，为了尽可能的减少梯度underflow，scaler应该更大；但是如果太大的话，半精度浮点型的tensor又容易overflow（变成inf或者NaN）。所以动态估计的原理就是在不出现inf或者NaN梯度值的情况下尽可能的增大scaler的值——在每次scaler.step(optimizer)中，都会检查是否又inf或NaN的梯度出现：1，如果出现了inf或者NaN，scaler.step(optimizer)会忽略此次的权重更新（optimizer.ste

可以看到都是shape为（2，3）的tensor，使用小写的tensor会报错。

比如。

比如对于猫来说，我预测他不为猫，而且他真的不是猫，这部分我们不管，我们要注意的是我们预测为猫但他不是猫（FP），我们预测不是猫但他真的是猫（FN），以及交集我们预测为猫，他也确实为猫（TP）。positive为我预测为真，negative为我预测为假，true和false表示我预测的对不对,我预测为真（positive）但他是假（negative），我预测地不对，那就是（FP）就是我预测是猫且对了的个数（tp）/全部猫的总数（这里指真实标签）当分类问题是二分问题时，混淆矩阵可以用上面的方法计算。

用于统计落入区域的值的个数。inputbins=100min=0max=0out=None→Tensorinput (Tensor) – the input tensor.输入的值，统计各个数出现了多少次

对进行归一化处理，在图像处理中当然指的是每一层是一个特征图也就是相同的特征。

1、除了MLP和bn层好像都是要特征作用于最后一维，MLP，maxpool、bn层要将特征放在batch号的后边。linear：channel放在最后。

Pytorch数据加载流程

dropout和P下面是pytorch官方文档在训练期间，使用伯努利分布的样本，以概率p随机归零输入张量的一些元素。每个信道将在每次前向呼叫时独立归零。注意在pytorch中的p也就是p是让输入归0的概率，也就可以说是输入失效的比例，越高失效越多![在这里插入图片描述](对loss代价函数上添加上对w的惩罚项。