不管是提前批的准备还是秋招以及来年的春招，leetcode的算法几乎是人人必备的，虽然leetcode已经提供了在线编辑功能，但是虽优秀，但不完美！在此也提供给小伙伴在 Pycharm上面如何优雅的刷 leetcode算法，并且编辑后的代码可以保存在本地，非常方便保存记录以及分享！

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

error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools”: https://visualstudio.microsoft.com/visual-cpp-build-tools/对于 error: Microsoft C++ Build Tools 报错问题，大多数

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

An Image is Worth 16x16 Words:Transformers for Image Recognition at Scale代码：1、ViT原理分析：这个工作本着尽可能少修改的原则，将原版的Transformer开箱即用地迁移到分类任务上面。并且作者认为没有必要总是依赖于CNN，只用Transformer也能够在分类任务中表现很好，尤其是在使用大规模训练集的时候。同时，在大规

数据增广是提升模型泛化能力重要的手段之一，CopyPaste 是一种新颖的数据增强技巧，已经在目标检测和实例分割任务中验证了有效性。利用 CopyPaste，可以合成文本实例来平衡训练图像中的正负样本之间的比例。相比而言，传统图像旋转、随机翻转和随机裁剪是无法做到的。这样就比较好地提升了样本丰富度，同时也增加了模型对环境的鲁棒性。如下图所示，通过在左下角的图中裁剪出来的文本，随机旋转缩放之后粘贴到

【代码】「数据增强」opencv实现雪花