首先声明一点，社区版的无法使用，需要使用才可以使用，至于密钥可以去TB购入，价格低廉、有效期长相信很多小伙伴会面临本地电脑显存不够，但是服务器代码又无法直观的调试，只能靠打日志的方法查看结果，对于普通程序员可能勉强够用，但是对于一名深度学习算法工程师而言，这真的一点也无法接受，因为算法工程师对变量的各个属性以及变量的维度变化十分看中，这个是靠打日志无法实现的，所以必须上远程Debug方法，目前采用

经常使用 Opencv 处理图像，但是发现使用opencv处理图片的时候，imread 无法读取中文文件，只能识别英文路径文件，中文路径就算不提示错误，但也不会有结果输出，因此需要修改下需要通过 numpy 读取下图像，再进行下转换，即可使用中文路径下的图像处理。

博主使用服务器的次数不是很多，但是将来大部分的工作可能基于Linux环境的，因此，趁着活动，购买了一年的腾讯云，貌似才几十RMB，还是挺实惠的，在此，记录下配置工作，仅供参考博主使用的是 Core Shell，个人感觉还不错，全文以Core Shell为默认软件，其他Shell工具大致相仿，不再专门介绍，如有问题，请留言。

在深度学习中，算子是实现各种计算和转换的基本单位，理解这些算子的性质和作用对于设计和优化深度学习模型至关重要。不同的算子不仅构成了模型的结构，还决定了模型的性能和效率。PyTorch 官方文档PyTorch GitHub 仓库。

在深度学习训练中，我们经常遇到 GPU 的内存太小的问题，如果我们的数据量比较大，别说大批量（large batch size）训练了，有时候甚至连一个训练样本都放不下。但是随机梯度下降（SGD）中，如果能使用更大的 Batch Size 训练，一般能得到更好的结果。那么问题来了：当 GPU 的内存不够时，如何使用大批量（large batch size）样本来训练神经网络呢？这篇文章将以 PyT

PaddleOCR 算是OCR算法里面较好用的，支持的内容多，而且社区维护的好(手把手教你，生怕你学不会)，因此在国内常采用。目前已经更新到 2.8版本了，功能更加丰富、强大；目前支持通用OCR、表格识别、图片信息提取以及文档场景信息提取，基本覆盖了常用的场景首先下载模型代码需要视频课程的可以看。

1、自定义 Params Pytorch依据其内建接口自己写代码获取模型参数情况，大家可以参考Pytorch提供的model.parameters() 接口来获取相应参数的size来实现，对于该参数是否属于可训练参数，那么可以依据Pytorch提供的requires_grad标志位来进行判断，具体方法如下代码所示：

Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，现在比较火热的 Bert 也是基于Transformer。Transformer 模型使用了 Self-Attention机制，不采用RNN顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。一切从 Self-Attention 开始1.1 处理Sequence数据的模型：Transformer是一个

在深度学习中，对模型的测量和评估至关重要，只有选择与问题相匹配的评估方法，才能够快速地发现在模型选择和训练过程中可能出现的问题，从而迭代地对模型进行优化。图像分类是计算机视觉中最基础的一个任务，它的目标是将不同的图像划分到不同的类别，实现最小的分类误差，这里我们只考虑单标签分类问题，即每一幅图像都只有唯一的类别。对于单标签分类任务，其评价指标主要有：1、准确率2、精确率3、召回率4、F1-scor

在深度学习中，算子是实现各种计算和转换的基本单位，理解这些算子的性质和作用对于设计和优化深度学习模型至关重要。不同的算子不仅构成了模型的结构，还决定了模型的性能和效率。PyTorch 官方文档PyTorch GitHub 仓库。