本文记录对BitComet的一些配置修改，用于备份。 BitCometBitComet（比特彗星）是一款完全免费的BT下载软件，支持断点续传和边下载边播放下载管理软件，也称BT下载客户端，同时也是一个集BT/HTTP/FTP于一体的下载管理器。官网下载地址：BitComet - Downloading 不过还是建议去找第三方修改版能开启种子市场的，有意想不到的福利哦😋 注意事项确保你的网络为公网，路由器也需打开端口映射，没公网的可打电话申请或使用穿透工具等，这里就不介绍了，确保打开软件，右下角两绿灯亮起： 配置网络连接我这里设置下载不限速，也可以根据自己的带宽设置。上传建议比自己最大上传带宽小，不要设置太大，但也不能设置太低（有上传才有下载，人人为我，我为人人！），我这里设置780KB/s。 监听端口建议自己指定一个，不推荐6881-6885 ，16881-16885范围内和一些特殊的端口。 下载目录自己设置合适的下载目录。 任务队列推荐做种任务数拉满，下载任务数不要太大。 BT下载勾选加入DHT，自动反吸血，协议优先，种子存档、种子市场打开，上传无限制或根据自己上传带宽设置 ...

DDPDDP是PyTorch中的一个库，它支持跨多个设备的梯度同步。这意味着您可以通过跨多个GPU并行处理，线性地加快模型训练。DDP的工作原理是为每个GPU创建一个单独的Python进程，每个进程都使用一个不重叠的数据子集。 比起DP来，DDP训练速度更快，显卡负载也更为均衡。目前官方开发者推荐使用DDP代替DP，DP很少维护了，导致有许多bug。比如：nn.ParameterList和nn.ParameterDict在DP中会存在其他卡无法复制，变成空值的Bug，而这在DDP中就正常。 使用① 添加超参数： 1234567def parse(): parser = argparse.ArgumentParser() parser.add_argument('--local_rank', type=int, default=0) ... ... args = parser.parse_args() return args local_rank：进程内GPU编号，非显式参数，由 torch.distributed.launch ...

本文转载于⚡哥的知乎专栏，大佬写的真是清晰易懂，菜鸡的我默默留存，好好学习！🙇‍♂️ 觉得不错的，大家记得帮电哥点赞👍+收藏⭐呀！ 原理① 要做猫狗的二分类任务，网络的分类器是输出为两个神经元的全连接层，两个神经元的输出分别为$z=\left[z_{c}, z_{d}\right]$，其中猫的概率为$p_c$，狗的概率为$p_d$，且$\left[p_{c}, p_{d}\right]=\operatorname{softmax}(z)$。② 要可视化猫这个类别的GradCAM，通过$z_c$对CNN最后一层的所有特征图$A_{i, j}^{k}$求偏导$G_{i, j}^{k}=\frac{\partial z_{c}}{\partial A_{i, j}^{k}}$，其中$A_{i, j}^{k}$表示特征图$A$ shape=(1, C, H, W)的第k通道的(i, j)坐标点，最终的偏导特征图$G$ shape=(1, C, H, W)。 取最后一层的原因： GradCAM可以用来可视化任何的激活特征图，但论文的主要目的是要解释神经网络得到决策的可能原因。 最后一层特 ...

安装PyCuda如果通过Python使用TensorRT的话，需要安装PyCuda，只需要执行： 1pip install pycuda (注：本人测试环境为Ubuntu16.04，在安装过程中发现PyCuda新版本会编译失败，而pycuda<=2019.1则正常。) 若安装出现问题，需手动编译，可参照官网教程： 12345678910git clone https://github.com/inducer/pycuda.git # 测试时新版本为2020.1tar xfz pycuda-VERSION.tar.gzcd pycuda-VERSIONpip3 install numpy==1.20rc # 此处一定要注意版本,本人刚开始安装了1.19,一直不成功python configure.py --cuda-root=/where/ever/you/installed/cuda # 修改为自己cuda的路径su -c "make install"# 测试cd pycuda-VERSION/testpython test_driver.py # ...

nvidia-smi & nvcc -V首先需明白CUDA有runtime api和driver api，两者都有对应的CUDA版本，nvcc -V显示前者对应的CUDA版本，而nvidia-smi显示后者对应的CUDA版本。 通常，driver api版本能向下兼容runtime api的版本，即nvidia-smi显示的版本大于nvcc -V的版本通常不会出现大问题。因此nvidia-smi显示的版本与所安装CUDA版本不一致是正常的。 而平常我们做深度学习所用的是CUDA的runtime api版本，因此以nvcc -V为准，这里版本如果不一致就容易发生问题。其原因主要是本机存在多个CUDA，没有正确映射造成。 问题解决查询现在的映射关系，可通过如下命令： 1stat /usr/bin/nvcc 要是映射错误，需重新建立映射： ① 删除原来映射 1sudo rm -rf /usr/bin/nvcc ② 建立新的软链接指向安装的CUDA版本 1sudo ln -s /usr/local/cuda/bin/nvcc /usr/bin/nvcc

Docker是什么？Docker是一个虚拟环境容器，可以将你的开发环境、代码、配置文件等一并打包到这个容器中，并发布和应用到任意平台中。 Docker的三个概念① 镜像（Image）：是一个包含有文件系统的面向Docker引擎的只读模板。任何应用程序运行都需要环境，而镜像就是用来提供这种运行环境的。例如一个Ubuntu镜像就是一个包含Ubuntu操作系统环境的模板。 ② 容器（Container）：类似于一个轻量级的沙盒，可以将其看作一个极简的Linux系统环境（包括root权限、进程空间、用户空间和网络空间等），以及运行在其中的应用程序。Docker引擎利用容器来运行、隔离各个应用。容器是镜像创建的应用实例，可以创建、启动、停止、删除容器，各个容器之间是是相互隔离的，互不影响。注意：镜像本身是只读的，容器从镜像启动时，Docker在镜像的上层创建一个可写层，镜像本身不变。 ③ 仓库（Repository）：Docker用来集中存放镜像文件的地方。注意与注册服务器（Registry）的区别：注册服务器是存放仓库的地方，一般会有多个仓库；而仓库是存放镜像的地方，一般每个仓库存放一类镜像， ...

本文主要介绍CUDA多版本如何共存与切换，这里以cuda10.1为例。 安装新版本cuda去官网选择对应安装包，这里选择runfile类型的安装文件cuda_10.1.243_418.87.00_linux.run。 执行以下命令，开始安装：1sudo sh cuda_10.1.243_418.87.00_linux.run 依次出现如下界面： 选择continue，继续。 输入accept，回车接受。 是否安装显卡驱动，本机已有，这里一般取消勾选 是否安装工具包，默认勾选 是否安装样例， 默认勾选 是否安装演示套件，默认勾选 是否安装文档，默认勾选 勾选完毕，点击install开始安装。 过程中会叫你选择是否创建指向cuda的链接： 12Do you want to install a symbolic link at /usr/local/cuda?(y)es/(n)o/(q)uit: 如果马上想要使用当前版本，这里就选yes，否则就选no，等有需要时再设置。 安装cuDNN同样去官网下载好与CUDA版本对应的安装包，文件格式为tar压缩文件cudnn-10.1-linu ...

本文由🐧从zhuangbo转载 使用教程江南大学博士、硕士学位（毕业）论文 LaTeX 模板。点此下载(提取码: 8ub7) 文档类 jnthesis.cls 基于 ctex 宏包定义了论文格式，包括字体，字号，行距，标题，页眉，页脚，目录，摘要，正文等各种格式。 文件 jn.bst 定义了参考文献格式。 推荐使用 TeXlive 发行版，不推荐使用 CTEX 发行版。 为便于编辑，通常将长文档分成若干文件。本论文模板还提供了以下文件： 文件 说明 root.tex 主文档，整个文档结构，用 XeLaTeX 编译此文档 main.tex 主要内容，包含主要章节内容 cover.doc 封面，DOC 文件，修改编辑后另存为 PDF cover.pdf 封面，PDF 文件，插入文档 statement.doc 声明和授权，DOC 文件，修改编辑后另存为 PDF statement.pdf 声明和授权，PDF 文件，插入文档 setup/settings.tex 用户设置，如：标题，作者，其他宏包和样式等 setup/userdefs.tex ...

项目中遇到需要将训练好的keras模型转换成onnx以便部署到嵌入式设备进行RT加速，最开始使用的keras2onnx工具，然而此工具支持性并不好，在转化过程中遇到许多问题。因此决定将keras转成tensorflow格式，再使用支持性较好的tf2onnx工具进行转化。 新版本目前keras2onnx停止更新，功能已整合进tf2onnx中，keras模型可直接使用 api tf2onnx.convert.from_keras()完成转换操作 转换步骤：1234567891011import tf2onnximport onnxruntime as rt# 加载模型model = ResNet50(weights='imagenet')# 设置输入大小spec = (tf.TensorSpec((None, 224, 224, 3), tf.float32, name="input"),)# 保存onnx路径output_path = model.name + ".onnx"# 转换tf2onnx.convert.from_ke ...

本系列是本人在刷题过程中，参考《小浩算法》的题型分类所做。由于小浩在大多数题目并未使用统一的语言实现，这里本人给出了Python和Java的实现。目前Python实现已完成，Java实现仍在更新中。若有错误或者更好的解决方法，欢迎提出。 数组系列1.交集 此题可以看成是一道传统的映射题（map映射），为什么可以这样看呢，因为我们需找出两个数组的交集元素，同时应与两个数组中出现的次数一致。这样就导致了我们需要知道每个值出现的次数，所以映射关系就成了<元素,出现次数> [第349题] 给定两个数组，编写一个函数来计算它们的交集。 示例 1：输入：nums1 = [1,2,2,1], nums2 = [2,2]输出：[2] 示例 2：输入：nums1 = [4,9,5], nums2 = [9,4,9,8,4]输出：[9,4] 说明： 输出结果中的每个元素一定是唯一的。 我们可以不考虑输出结果的顺序。 方法一：映射字典 12345678910111213141516171819#Pythonclass Solution: def intersect ...