小李的研究生学习日记

原创 CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录

本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！

原创 快速上手Pytrch爬虫之爬取某应图片壁纸

必应是微软推出的搜索引擎，相比于百度具有广告少的显著优点，比较良心。幸运的是已经有人完成了这项工作，具体请看这个网站：必应每日高清壁纸(这个网站收录了必应每天的主页图片，并且提供直接下载（管理猿太良心了，祝愿少掉一些头发，少写一些bug ）。但是博主发现这个网站缺少一个一键全部下载功能，只能一张一张图片手动下载，如果要把所有图片都下载下来，非常麻烦，因此用python写了一个下载网站上所有图片的小爬虫，分享给大家。

原创 知存科技助力AI应用落地：WTMDK2101-ZT1评估板实地评测与性能揭秘

随着当今数据迅速增长，传统的冯诺依曼架构内存墙正在成为计算性能进一步提升的阻碍。新一代的存内计算（IMC）和近存计算（NMC）架构有望突破这一瓶颈，显著提升计算能力和能源效率。本文将探讨存算一体芯片的发展历程、当前研究状态，以及基于多种存储介质（例如传统的DRAM、SRAM和Flash，以及新型的非易失性存储器如ReRAM、PCM、MRAM、FeFET等）的存内计算基本原理、优势与面临的挑战。通过对知存科技WTM2101量产芯片的深入解析与评测，重点展示存内计算芯片的电路结构及其应用现状。

原创 听力笔记2023

原创 MMdetection框架速成系列 第07部分：数据增强的N种方法

对图像的色彩进行数据增强的方法，其中最常用的莫过于 ColorJitter，这种方法会在一定范围内，对图像的亮度（Brightness）、对比度（Contrast）、饱和度（Saturation）和色相（Hue）进行随机变换，从而模拟真实拍摄中不同灯光环境等条件的变化。以上介绍的数据增强方法只是常用方法的一部分，更多的数据增强方法，如多种方法的随机组合（AutoAugment、RandAugment）、多张图片的混合增强（MixUp、CutMix）等。在图片的随机位置，按照指定的大小进行裁剪。

原创 MMdetection框架速成系列 第06部分：注册机制详解

比如说，我们现在想要使用注册器来管理我们的模型，首先初始化一个Registry实例MODELS，然后调用Registry类的register_module()方法完成ResNet和VGG类的注册，可以看到最后MODELS的打印结果中包含了这两个类的信息(打印信息中items对应的其实就是self._module_dict)，表示注册成功。注册机制是MMCV中非常重要的一个概念，在MMDetection中，如果想要增加自己的算法模块或流程，都需要通过注册机制来实现。

原创 Visio/PPT/Matlab输出300dpi以上图片【满足标准投稿要求】

遵照如下输出选项，另存为tif格式文件时，选择正确输出便是300dpi以上。

原创 【数据集可视化】COCO数据集标注可视化+代码实现

【代码】【数据集可视化】COCO数据集标注可视化+代码实现。

原创 MMdetection框架速成系列 第04部分：配置文件详细解析+文件结构剖析+Config类核心实现

ConfigDict是第三方库addict中Dict的子类，因为python原生的dict类型不支持.属性的访问方式，特别是dict内部嵌套了多层dict的时候，如果按照key的访问方式，代码写起来非常低效，而Dict类通过重写__ getattr __()的方式实现了.属性的访问方式。如果想要现在想要换一个新的优化器，但两个优化器的参数不兼容，需要删掉原来的键值，用一组全新的键值代替，这时可以通过配置。text存储的是各个配置文件（包含_base _中继承的文件）中的原始文本信息，会标识配置文件的路径。

原创 学术小技巧：如何使用easyscholar来提高论文查找效率

easyScholar是一款很好用的科研插件，可以显示会议期刊登记，支持轻量翻译，一键下载等等功能。

原创 深度学习模型训练中epoch、batch size和iterations之间的含义与区别

深度学习模型训练中epoch、batch size和iterations之间的含义与区别

原创 深度学习·理论篇(2023版)·第012篇反向传播与梯度计算：图像化反向传播+代码实现y=wx的反向传播+梯度消失的实质与案例+梯度爆炸+梯度检查+从信息传播的角度看后向传播算法

万字长文：图像化反向传播+代码实现y=wx的反向传播+梯度消失的实质与案例+梯度爆炸+梯度检查+从信息传播的角度看后向传播算法

原创 万字长文详解深度学习中元学习与小样本问题：如何理解模型自己学会学习？传统的监督学习与 Meta Learning 之间的区别？预训练的三个小改进？如何通过孪生网络完成元学习~

元学习希望使得模型获取一种学会学习调参的能力，使其可以在获取已有知识的基础上快速学习新的任务。机器学习是先人为调参，之后直接训练特定任务下深度模型。元学习则是先通过其它的任务训练出一个较好的超参数，然后再对特定任务进行训练。这些超参数可以是初始化参数、选择优化器、定义损失函数、梯度下降更新参数等。Few-shot Learning是Meta Learning中的一种，Meta Learning 的目的在于 学习如何学习，也就是学习方法论。

原创 Detectron2中运行demo.py时，报错：AssertionError: get_event_storage() has to be called inside a ‘with EventSt

AssertionError: get_event_storage() has to be called inside a 'with EventStorage(...)' context!

原创 推荐系统中的卷积

水平卷积的特点： filter 的宽 与 embedding 矩阵的宽是相等的，在embedding 矩阵从上向下滑动的过程中是通过 filter 的高 来控制要关注几个行为。如图所示，水平卷积层中的卷积在 latent space 上滑动并卷积计算后通过激活函数得到的向量，再通过一个max-pooling ，取出向量中最大的一个值，最后若干卷积的结果 concat 到一起就是该层的输出。举个例子，如下图，历史行为有4个，要预测的候选为长城和酒吧。

原创 Pytorch疑难小实验：Torch.max() Torch.min()在不同维度上的解释

【代码】Torch.max() Torch.min()在不同维度上的解释。

原创 深度学习·理论篇(2023版)·第011篇卷积神经网络计算公式与参数量频域计算：卷积计算详解+卷积层全连接层池化层参数量计算+计算频域卷积

卷积神经网络（CNN）由输入层、卷积层、激活函数、池化层、全连接层组成，即INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）

原创 深度学习·理论篇(2023版)·第010篇多种卷积与可视化：单通道与多通道卷积可视化+(空间可分离卷积+深度可分离卷积+分组卷积+反卷积+八度卷积)可视化+OctConv模型理论

二维情况下的卷积和一维并没有本质上的不同，下面略过公式，直接来形象理解。深度学习·理论篇：单通道与多通道卷积可视化+(空间可分离卷积+深度可分离卷积+分组卷积+反卷积+八度卷积)可视化+OctConv模型理论

原创 深度学习·理论篇(2023版)·第009篇卷积与多维卷积的矩阵频域计算：点积与卷积的可视化+卷积在深度学习中的作用+卷积的理论支撑与公式详解+图像化表示一维卷积的不同情况

卷积神经网络是深度学习中应用最广泛的一种网络，而卷积就是这种网路的基础。本节就来了解卷积的概念，性质和计算方式。点积与卷积的可视化+卷积在深度学习中的作用+卷积的理论支撑与公式详解+图像化表示一维卷积的不同情况

原创 2023.3.5英语单词学习笔记

英语单词

原创 代码import torch 报错 ImportError: numpy.core.multiarray failed to import

使用Anaconda安装pytorch后，import torch报错 ImportError: numpy.core.multiarray failed to import 【解决方案】

原创 【报错解决】ERROR: pip‘s dependency resolver does not currently take into account all the packages

ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.

原创 numpy 报错：”AttributeError: module ‘numpy‘ has no attribute ‘bool‘“

解决方案 numpy 报错：”AttributeError: module 'numpy' has no attribute 'bool'“

原创 fatal: unable to access ‘https://github xxxxxxxxx的解决方法

将命令中的 https改为 git。

原创 MMdetection框架速成系列 第03部分：简述整体构建细节与模块+训练测试模块流程剖析+深入解析代码模块与核心实现

本文基于第一篇解读文章，详细地从三个层面全面解读了 MMDetection 框架，希望读者读完本文，能够对 MMDetection 框架设计思想、组件间关系和整体代码实现流程了然于心。

原创 “Could not find suitable distribution for Requirement.parse(‘XXXX‘)”的问题

【代码】“Could not find suitable distribution for Requirement.parse(‘XXXX‘)”的问题。

原创 深度学习·理论篇(2023版)·第008篇实际应用中的PCA主成分分析：什么是主成分+特征向量特征值求解主成分+降维归一化与相关系数的概念+降维的手段+什么数据适合PCA

第008篇实际应用中的PCA主成分分析：什么是主成分+特征向量特征值求解主成分+降维归一化与相关系数的概念+降维的手段+什么数据适合。既然高维度带来了如此多的灾难，一个很自然的想法就是降低维度，然后在低维度下解决问题。例如： x’=f(x)，如果x’相对于x是一个维度很低的向量，则相当于达到了降维的效果。关于降维，先举一个最简单的例子，即主成分分析（Principal Component Analysis,PCA)，考虑如下的协方差矩阵对应的高斯分布的样本，如图2-33所示。

原创 COCO转VOC代码:将coco格式的json文件转换为voc格式的xml文件

【代码】COCO转VOC代码。

原创 Linux使用解压命令unzip报错：unzip: cannot find zipfile directory in one of xxx.zip

在linux服务器下使用rz上传压缩文件，用unzip命令解压zip包。报这种错误说明在文件上传或下载的过程中出现了文件丢失的情况，需要使用。，然后使用unzip命令或jar命令解压压缩文件。

原创 PASCAL VOC数据集分割为小样本数据集代码

【代码】PASCAL VOC数据集分割为小样本数据集代码。

原创 PASCAL VOC数据集训练集、验证集、测试集的划分和提取，得到test.txt、train.txt、trainval.txt、val.txt文件代码

创建py文件，将下属代码放入所创建的文件里，VOC2007数据集与py文件在同一目录下。

原创 MMdetection框架速成系列 第02部分：整体算法流程+模型搭建流程+detection训练与测试核心组件+训练部分与测试部分的核心算法

本文利用MMDetection已经实现的RetinaNet模型在COCO上进行训练作为示例，演示了MMDetection的模型训练流程。总的来说分为三个步骤：1、准备数据集2、准备配置文件：配置文件由一系列dict组成，dict中的type键值代表注册的类别，build函数可以通过识别dict中的type来初始化对应的类。配置文件一般会继承一个通用配置文件，然后在此基础上根据需求调整。3、开始训练：调用MMDetection自带的train.py进行训练。

原创 MMdetection框架速成系列 第01部分：学习路线图与步骤+优先学习的两个目标检测模型代码+loss计算流程+遇到问题如何求助+Anaconda3下的安装教程（mmdet+mmdet3d）

阅读顺序：深入理解 RetinaNet 后，再看 Faster R-CNN。学习路线图+代码学习步骤+优先学习的两个目标检测模型代码+loss计算流程的攻坚克难+遇到问题如何求助+Anaconda3下的安装教程（mmdet+mmdet3d）

原创 Git 分布式版本控制工具 06在IDEA中使用Git：获取Git仓库+本地仓库操作+远程仓库操作+创建/查看/切换/推送/合并分支操作

1）我们在使用Git管理项目代码时，并不是所有文件都需要Git管理，例如Java项目中编译的.class文件、开发工具自带的配置文件等，这些文件没有必要交给Git管理，所以也就不需要提交到Git版本库中。通过Git命令可以完成Git相关操作，为了简化操作过程，我们可以在IEDA中配置Git，配置好后就可以在IDEA中通过图形化的方式来操作Git。在IDEA中使用Git，本质上还是使用的本地安装的Git软件，所以需要提前安装好Git并在IDEA中配置Git。

原创 Git 分布式版本控制工具 05SSH免登陆：如何使用SSH如何免密登录服务器~

SSH是目前比较可靠的专为远程登录会话和其他网络服务提供安全的协议。不同主机之间在进行通信时，一般都是需要输入密码进行验证， ssh免密码之后，只要通过指定主机地址和端口号就可以实现不同的计算机之间访问时，不需要密码实现直接访问。ssh免密码登录主要采用算法有：对称加密算法和非对称加密算法。

原创 Git 分布式版本控制工具 04Gitcode案例：多人协作开发流程+创建仓库+拉取操作+克隆仓库+拉取远程仓库中最新的版本+修改拉取的本地代码

在版本控制系统中，大约90%的操作都是在本地仓库中进行的：暂存，提交，查看状态或者历史记录等等。除此之外，如果仅仅只有你一个人在这个项目里工作，你永远没有机会需要设置一个远程仓库。只有当你需要和你的开发团队共享数据时，设置一个远程仓库才有意义。在多人同时开发一个项目时，如果两个人修改了同一个文件的同一个地方，就会发生冲突。git remote add 远程仓库地址别名 远程仓库地址。git push -u 远程仓库地址别名 分支名称。git push 远程仓库地址别名 分支名称。将本地仓库推送到远程仓库。

原创 Git 分布式版本控制工具 03Git常用命令：Git全局设置+本地与远程仓库操作获取Git仓库+标签操作+忽略名单+工作区、暂存区、版本库+分支操作+暂时保存

通过标签，可以很方便的切换到标记时的状态。注意：上面的用户名和密码对应的就是我们在码云上注册的用户名和密码，认证通过后会将用户名和密码保存到windows系统中（如下图），后续再推送则无需重复输入用户名和密码。注意：分支合并时需注意合并的方向，如上图所示，在Master分支执行操作，结果就是将new分支合并到Master分支。将不需要被git管理的文件名字添加到此文件中，在执行git命令的时候，git就会忽略这些文件。本地仓库和远程仓库中都有分支，同一个仓库可以有多个分支，各个分支相互独立，互不干扰。

原创 英语考试的作文模板

哈哈哈哈哈哈哈哈哈哈哈，考试要用，所以发出来，本地老被自己删~~~~~~~~~

原创 Pytorch疑难小实验：理解torch.cat()在不同维度下的连接方式

【代码】Pytorch疑难小实验：理解torch.cat()在不同维度下的连接方式。

原创 英语学习中总结的阅读、段落匹配、选词填空技巧

能对上百分之30~50就能选要注意大标题---->主旨。