Pycharm远程连接Linux服务器进行深度学习训练（详细）背景：我有一台超极本，虽然有英伟达的显卡，但是显存太小，无法进行像模像样的训练，实验室有一台linux服务器，系统是Ubuntu18.04，前几日我还想着怎么通过远程连接将服务器的桌面映射到我的本地windos本上，查了下资料可以用VNC这款软件，奈何服务器这几天抽风安装不上软件，遂搁置，本来想放弃了，想着就对着命令行开发吧，今天突然在

今天在做图像处理的作业，看了好久才弄明白imread()这个函数的返回值是个啥，赶紧过来记录一下以免忘记可以看到img[0,0]输出的是图像的第一个像素的B，G，R值而[75 59 42]也正是图像最后一个像素（即最右下角那个像素）的B,G,R值...

之前写过在pycharm上配置远程linux服务器开发的博文，现在又在学习前端开发，又需要用到服务器，故再次写一篇流程记录，便于日后查阅。背景：windows系统 服务器是Nginx安装在本地首先找到PhpStorm服务器部署的设置选项，ctrl+alt+s,打开设置找到部署：第一步：新建服务器并在“连接”选项下按下图配置第二步：切换到“映射”选项，按下图配置：第三步（选做）：切换至“排除的路径”

CVer肯定都遇到过要划分数据集的问题，我在这里自己写了一个，只要你有一个所有图片的文件夹，然后将路径替换成自己的即可：# 将数据集随机划分为训练集和验证集,测试集import osimport randomimport shutilfrom tqdm import tqdmimage_path = r'E:\DCI(first)_3\DCI_Crop2\image\\'# 源图片文件夹路径mas

CVer肯定都遇到过要划分数据集的问题，我在这里自己写了一个，只要你有一个所有图片的文件夹，然后将路径替换成自己的即可：# 将数据集随机划分为训练集和验证集,测试集import osimport randomimport shutilfrom tqdm import tqdmimage_path = r'E:\DCI(first)_3\DCI_Crop2\image\\'# 源图片文件夹路径mas

在做语义分割实验的时候，因为我做的课题的数据集是私有医疗数据集，数据集的图片有很多公有数据集不具备的问题，一个是分辨率很高，最高的接近两万八千多两万多；另一个问题是图片的尺寸不一，小一点的图可能短边只有1440.因此这样的原图在预测阶段比较麻烦，在我总结一番之前的工作后，我在这里写了一个处理多尺寸高分辨率数据集的预测脚本，因为其中主要的思想是冗余切割，因此称之为膨胀预测。具体想法如下：**需要先将

Kaggle提供免费的GPU，但是时间是有限制的，但是Google Colab的GPU是没有时间限制的，所以本文介绍一下如何将Kaggle数据集上传到Google Colab上，如果本地上传，实在是慢，但通过Kaggle数据API式上传，在我笔记本上，上传数据的速度能达到77MB/s；要实现数据上传，只需要在Colab笔记上依次运行下面的命令即可，亲测有效：!pip install kagglei

在数字图像处理中，针对不同的图像格式有其特定的处理算法。所以，在做图像处理之前，我们需要考虑清楚自己要基于哪种格式的图像进行算法设计及其实现。本文基于这个需求，使用python中的图像处理库PIL来实现不同图像格式的转换。对于彩色图像，不管其图像格式是PNG，还是BMP，或者JPG，在PIL中，使用Image模块的open()函数打开后，返回的图像对象的模式都是“RGB”。而对于灰度图像，不管其图

箱线图（boxplot）介绍箱线图（Boxplot）也称箱须图（Box-whisker Plot），是利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法。它也可以粗略地看出数据是否具有有对称性，分布的离散程度等信息；特别适用于对几个样本的比较。注：四分位数（Quartile），即统计学中，把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四

在 StackOverflow 上有一个问题Should we do learning rate decay for adam optimizer - Stack Overflow，我也想过这个问题，对 Adam 这些自适应学习率的方法，还应不应该进行 learning rate decay？论文 《DECOUPLED WEIGHT DECAY REGULARIZATION》的 Section 4