一开始nvidia-smi运行的好好的，显示了所有的GPU及使用状态。但是当我跑了一个很占内存的程序之后（TSNE降维可视化，数据量比较大），其中一个GPU开始若隐若现，最后在nvidia-smi界面上消失，后来关闭TSNE降维的程序后，该GPU仍旧没有出现。网上搜了一些教程，这些教程最后的基本结论是：他们的卡烧坏了。所以我也以为我的卡烧坏了，一度很悲伤。后来因为主机比较卡，我重启了系统，GPU就

前言：本文转自世界顶级人工智能会议的总结_circle的专栏-CSDN博客_uai会议。据转载博客的作者说，这篇博客的内容转自南京大学周志华教授的博客，且原文链接已经找不到了。我转这篇文章主要原因是：在读文献时，会遇到一些会议论文，但是不同会议论文的水平参差不齐，该不该重视一篇问问，以及该不该相信论文的结果，是一个在读文献前与读文献中需要考虑的问题。自己目前并没有对所有数据挖掘的会议都很熟悉，不同

一般，我们需要对神经网络的输入样本进行归一化，通常有多种选择，比如归一化到[0,1]，或归一化到[-1,1]。这两种方法，哪种归一化方法更好呢？还是没有区别。现在的实验经验，一般归一化后的数值沿原点对称最好，即归一化到[-1,1]可以期待取得更好的效果。因此，推荐在归一化时，把样本数据归一化到[-1,1]，或者其他相对于原点对称的范围。对应的，似乎使用双极性激活函数(tanh)优于单极性激活函数(

如果你是使用 GPU 版 TensorFlow 的话，并且你想在显卡高占用率的情况下（比如玩游戏）训练模型，那你要注意在初始化 Session 的时候为其分配固定数量的显存，否则可能会在开始训练的时候直接报错退出：2017-06-27 20:39:21.955486: E c:\tf_jenkins\home\workspace\release-win\m\windows-gpu\py\35\t.

有时想用tensorflow的conv2d的卷积操作，实现一些特定的滤波操作，如patch求和、计算梯度等，这时可以通过设计特定的卷积核来实现功能。先看tf.nn.conv2d的各个参数：tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)参数...

import osimport sysimport torchimport argparseparser = argparse.ArgumentParser()parser.add_argument("gpu", type=str, choices=["0", "1", "2", "3", "4", "5", "6", "7"])args = parser.parse_args()os.envir

转送站：sci论文配色-生信论文可视化绘图配色[个人收集]_Cccrush的博客-CSDN博客【SCI】中文核心、SCI论文绘图和图片配色_浪里小飞侠的博客-CSDN博客_sci配色推荐几个科研数据可视化用的配色网站_软件工具技巧_实用技巧_科研星球...

目前了解来看，gym 0.23.0 是一个比较常用的版本，后续的更新版本中（比如0.26.2），有许多功能的接口都有了改变，对python8,python9,python10的可视化显示也存在问题，但是在用pip安装时，默认的是安装0.26.2版本。最近开始学习强化学习，第一步肯定是要学会安装和使用pym，原本以为很简单，事实上确实很简单，但是遇到一个小问题，就是安装gym之后，在应用的过程中，游

前言：本文转自世界顶级人工智能会议的总结_circle的专栏-CSDN博客_uai会议。据转载博客的作者说，这篇博客的内容转自南京大学周志华教授的博客，且原文链接已经找不到了。我转这篇文章主要原因是：在读文献时，会遇到一些会议论文，但是不同会议论文的水平参差不齐，该不该重视一篇问问，以及该不该相信论文的结果，是一个在读文献前与读文献中需要考虑的问题。自己目前并没有对所有数据挖掘的会议都很熟悉，不同

在将一个list转为np.array时出现如题错误。错误原因：list中各元素的数据的shape不一致解决办法：1）方法1. 将list中的多个元素沿某个公共维度串联成一个张量，然后保存每个元素的shape，用于张量分割复原。ps:我的列表存储的都是二维矩阵，其中一个维度相同，另一个维度不同，我沿着相同的维度串联完后保存2）方法2. 把list转换为字典dict，然后保存字典，应该能解决这个问题。