2022年1月
train_partseg
摘要： 日志代码没有解释，已在train_classification中，且该代码是在GPU下运行 点击查看代码 """ Author: Benny Date: Nov 2019 """ import argparse import os import torch import datetime impor 阅读全文
posted @ 2022-01-13 15:17 原来是只呆燕 阅读(179) 评论(0) 推荐(0)
深度学习中的一些小疑问和解答
摘要： 1、1*1的卷积核有啥作用 答：主要是降维或升维，也就是多个feature channels线性叠加，比如，一张256×256且深度depth为50的图 (256×256×50)在20个filter上做1×1的卷积，结果会得到256×256×20的图片(降维)，若在80个filter上做1×1的卷积 阅读全文
posted @ 2022-01-13 10:35 原来是只呆燕 阅读(38) 评论(0) 推荐(0)
一些代码的实验
摘要： 1、1-hot encodes a tensor 点击查看代码 def to_categorical(y, num_classes): """ 1-hot encodes a tensor """ new_y = torch.eye(num_classes)[y.cpu().data.numpy() 阅读全文
posted @ 2022-01-10 19:30 原来是只呆燕 阅读(54) 评论(0) 推荐(0)
Pointnet_part_seg
摘要： 下面的代码与之前的代码有很多重复之处，就不在一一注释，只注释个人还不太熟悉的 点击查看代码 import torch.nn as nn import torch.utils.data import torch.nn.functional as F from models.pointnet_utils 阅读全文
posted @ 2022-01-09 16:58 原来是只呆燕 阅读(59) 评论(0) 推荐(0)
ShapeNetDataLoader
摘要： 点击查看代码 # *_*coding:utf-8 *_* import os import json import warnings import numpy as np from torch.utils.data import Dataset warnings.filterwarnings('ig 阅读全文
posted @ 2022-01-06 16:39 原来是只呆燕 阅读(233) 评论(0) 推荐(0)
train_classification
摘要： 点击查看代码 #下面的代码中的一些超参数并没有按照原论文中来，不过总体结构差不多 """ Author: Benny Date: Nov 2019 """ import os import sys import torch import numpy as np import datetime #获取 阅读全文
posted @ 2022-01-03 09:37 原来是只呆燕 阅读(211) 评论(0) 推荐(0)
2021年12月
ubuntu18查看cpu信息
摘要： 1、第一种查法 查看当前操作系统内核信息 name -a 查看cpu型号 cat /proc/cpuinfo | grep name | cut -f2 -d: | uniq -c 查看cpu运行模式 getconf LONG_BIT 查看cpu是否支持64bit cat /proc/cpuinfo 阅读全文
posted @ 2021-12-31 15:05 原来是只呆燕 阅读(775) 评论(0) 推荐(0)
ubuntu18系统运行exe程序
摘要： 首先得安装wine64，如下代码就行 sudo apt install wine64 其次，要进入exe程序所在的文件夹，再运行下一行代码即可 wine .exe 上图是连接服务器的程序 阅读全文
posted @ 2021-12-31 14:42 原来是只呆燕 阅读(1140) 评论(0) 推荐(0)
个人觉得很巧妙的一些代码解释
摘要： 1、预测标签与实际标签相同的统计-只针对某类标签，而不是统计所有标签，若是同时统计所有，则把[target == cat]删掉即可 classacc = pred_choice[target == cat].eq(target[target == cat].long().data).cpu().su 阅读全文
posted @ 2021-12-29 09:10 原来是只呆燕 阅读(188) 评论(0) 推荐(0)
有关torch中的疑难杂症-后续更新
摘要： 1、为何tensor中默认的requires_grad默认设置的是False值，但训练的时候梯度依然可以回传？ 只要某一个输入需要相关梯度值，则输出也需要保存相关梯度信息，这样就保证了这个输入的梯度回传。 而反之，若所有的输入都不需要保存梯度，那么输出的requires_grad会自动设置为Fals 阅读全文
posted @ 2021-12-28 19:57 原来是只呆燕 阅读(156) 评论(0) 推荐(0)