一般情况来说，我们通过收集数据，训练深度学习模型，通过反向传播求导更新模型的参数，得到一个契合数据和任务的模型。这一阶段，通常使用python&pytorch进行模型的训练得到pth等类型文件。AI模型部署就是将在python环境中训练的模型参数放到需要部署的硬件环境中去跑，比如云平台和其他cpu、gpu设备中。一般来说，权重信息以及权重分布基本不会变（可能会改变精度、也可能会合并一些权重）。该部

根据UNet的结构，它能够结合底层和高层的信息。底层(深层)信息：经过多次下采样后的低分辨率信息。能够提供分割目标在整个图像中上下文语义信息，可理解为反应目标和它的环境之间关系的特征。这个特征有助于物体的类别判断（所以分类问题通常只需要低分辨率/深层信息，不涉及多尺度融合）高层(浅层)信息：UNet共进行了4次上采样，并在同一个stage使用了skip connection，而不是直接在高级语义特

pytorch跑Unet代码，gpu利用率在0%-20%闪现，主要问题是GPU一直在等cpu处理的数据传输过去。利用top查看cup的利用率也是从0省道100%且显然cup的线程并不多，能处理出的数据也不多。在一般的程序中，除了加载从dataloader中数据和model的运行需要gpu，其余更多的dataset、dataloader、loss的计算和日志的输出很多部分都需要cup的计算。所以，可

1.准确率ACC：overall：准确率是分类正确的样本占总样本个数的比例，即其中， ncorrect​为被正确分类的样本个数， ntotal​为总样本个数。结合上面的混淆矩阵，公式还可以这样写：y_pred = [0, 2, 1, 3]y_true = [0, 1, 2, 3]print(accuracy_score(y_true, y_pred))# 0.5print(accuracy_sco

作者：我爱机器学习链接：https://zhuanlan.zhihu.com/p/22094600来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。CNN的发展史上一篇回顾讲的是2006年Hinton他们的Science Paper，当时提到，2006年虽然Deep Learning的概念被提出来了，但是学术界的大家还是表示不服。当时有流传的段子是Hinton的学生在台