使用seaborn画dataframe的图：import seaborndata = pd.read_csv(此处省略)g = seaborn.pairplot(data)运行不显示图像。解决方法：在代码后加上plt.show()即可：import seaborndata = pd.read_csv(此处省略)g = seaborn.pairplot(data)plt.show()运行出图。...

  笔者跑神经网络的时候遇到显存溢出问题。系统：Ubuntu 16.04CUDA：10.0.130CUDNN：7.6.4.38Python：3.6.12PYTORCH: 1.2TORCHVISION: 0.4卷积神经网络的代码用CPU跑没问题，但是用CUDA+CUDNN跑报错：RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED载入参数前

矩阵的逆的定义：一个n×nn\times nn×n的矩阵AAA是可逆的，如果存在一个n×nn\times nn×n的矩阵CCC使得：CA=I,且AC=ICA=I, 且 AC=ICA=I,且AC=I其中I=InI=I_nI=In​为n×nn\times nn×n的单位矩阵，此时矩阵CCC就是矩阵AAA的逆，矩阵AAA的逆记为矩阵A−1A^{-1}A−1。若矩阵AAA可逆，那么它的逆是唯一的。奇异矩阵

  针孔相机模型是使用的较多的模型，下面总结三维模型重建中的针孔相机成像过程。  首先，空间中的一个点要在针孔相机的像平面重建，需要4步。1.从世界坐标系变化到相机坐标系  世界坐标系可以定义在任意位置，作为参考坐标系，相机坐标系以相机的光心看为远点，相机朝向为Z轴，朝上为Y轴，再根据右手定则确定X轴，如图（Ocam表示相机坐标系原点，Owor表示世界坐标系所选的点的原点）：  空间中的一个点表示

在跑神经网络的时候，GPU的作用是很明显的。下面比较一下CPU跑和GPU跑的区别：先用CPU跑：import torchimport timefor i in range(1,10):start_time = time.time() #返回当前语句运行时的时间点（单位秒）。a = torch.rand(i*100, 1000, 1000)#生成i*100个的1000行1000矩阵组成的张量，每个元

基本变量和自由变量  若某方程组经过化简都得到：{x1+6x2+3x4=0x3−4x4=5x5=7\begin{cases}x_1+6x_2+\quad\quad3x_4\quad=0\\\quad \quad \quad \quad \quad x_3-4x_4\quad=5\\\quad \quad \quad \quad \quad \quad \quad \quad \quad x_5=7

用PyTorch跑旧模型代码时候报错：RuntimeError: Legacy autograd function with non-static forward method is deprecated. Please use new-style autograd function with static forward method. (Example: https://pytorch.org

定义：若A、B两个事件满足：P(AB)=P(A)P(B)P(AB)=P(A)P(B)P(AB)=P(A)P(B)则A、B相互独立。注意：P(B∣A)P(B|A)P(B∣A)是指A发生的条件下，B发生的概率；P(B)P(B)P(B)为B发生的概率，此二者是否相等？如果P(B∣A)=P(B)P(B|A)=P(B)P(B∣A)=P(B)，则表明事件A对B无影响，即A和B是相互独立的。例：抛硬币2次，设A

ROTO笔刷大小改变：  按住Ctrl，鼠标点左键同时往左拖动，原来笔刷的圈圈内一个加号变成四个点，表示笔刷变小了。  相反，如果按住Ctrl，鼠标点左键同时往右拖动，则让笔刷变大。增减抠图区域  使用roto笔抠图时，一般时绿色的圆圈，表示增加抠图区域；但是，如果抠图的范围过大，可以按下Alt键，可见图标变成红色圆圈，此时表示减少抠图区域，这样就可以进行边缘调整了。抠图时移动、缩放图像  手形工

二次型定义  RnR^nRn上一个二次型是一个定义在RnR^nRn上的函数，它在向量xxx处的值可以表示为Q(x)=xTAxQ(x)=x^TAxQ(x)=xTAx，其中AAA是一个n×nn\times nn×n的对称矩阵。矩阵AAA称为关于二次型的矩阵。例1：设x=[x1x2]x=\begin{bmatrix}x_1\\x_2\end{bmatrix}x=[x1​x2​​]，计算下列矩阵的xTAx