使用多个GPU进行深度学习任务的时候有时会出现明明显卡内存还有空间，但是会提示RuntimeError: CUDA out of memory. Tried to allocate 96.00 MiB的情况。使用nvidia-smi查看显卡使用情况发现，空间足够。参考了一些文章看总结得出可能原因：pytorch与tensorflow如果在同一个GPU上运行会出现冲突，因此选择空闲的GPU即可。具体

<Response [200]>返回值问题在尝试python爬虫时，我们常常会遇到<Response [200]>返回值问题，此时将requests.get()参数加上headers即可。例如：import requestsurl = 'https://music.163.com'html = requests.get(url)print(html)返回<Respon

linux可以使用nohup命令，让服务器在ssh远程连接断掉后依旧可以运行程序，并且将程序的输出打印到nohup.out文件中。命令使用：1.nohup用途：不挂断地运行命令。语法：nohup Command [ Arg … ] [　& ]　　无论是否将 nohup 命令的输出重定向到终端，输出都将附加到当前目录的 nohup.out 文件中。　　如果当前目录的 nohup.out 文件

转载于：https://www.cnblogs.com/Yanjy-OnlyOne/p/11288098.html作者：The-Chosen-One在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，从 sklearn.model_selection 中调用train_test_split 函数简单用法如下：X_train,X_test, y_train, y_test =skl

转载于：https://www.cnblogs.com/Yanjy-OnlyOne/p/11288098.html作者：The-Chosen-One在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，从 sklearn.model_selection 中调用train_test_split 函数简单用法如下：X_train,X_test, y_train, y_test =skl

训练pytorch的时候碰到一个问题，程序总是报这个错：Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same查了好久，才找到根本原因。输入的图像已经在GPU了，而模型还在CPU。增加以下代码即可：model = model.cuda( )...

在做多分类问题的实验时出现了错误，提示：pytorch CUDA error: device-side assert triggered搜索发现均说明是标签个数不匹配的问题，仔细查了一下，原来是在对数据集做新的分类后，数据类别为7，而模型没有更改，最后一层还是原来的6个神经元，更改之后就可以了。...

在多分类单标签任务中，常使用CrossEntropyLoss作为损失函数，而使用softmax作为对应的最后一层的激活函数。在Pytorch中，nn.CrossEntropyLoss中已经实现了softmax功能，因此在分类任务的最后一层fc后不需要加入softmax激活函数。因为在计算损失函数时，nn.CrossEntropyLoss函数会自动先将模型输出作一个softmax计算，再与groun

与window输入法的简繁切换快捷键冲突了，更改输入法快捷键设置为 Ctrl + Shift + S 即可。