目前，了解到的深度学习模型集成的方法主要有两种：第一：平均checkpoints即对存储好的多个checkpoint中的参数求平均，然后重新保存。这里的多个checkpoint可以是同一份数据训练，模型收敛后存储的多个模型；也可以是不同的数据训练得到的模型。该方法的优点是可以提高单个模型的效果，并且推理的速度和存储都不会发生变化。缺点在于待平均的模型的结构要完全一致，另外提升的效果不会很大。以py

转自python官方文档glob通过使用通配符.*?，找出所有匹配特定模式的路径名考虑一个包含以下内容的目录data\__ data\__ 1.gif\__ 2.txt\__ card.gif\__ .card.gif\__ sub\__ 3.txtglob() 将产生如下结果（路径的任何开头部分都将被保留）：import globfiles =

翻译自The significance of builder.max_workspace_size. - TensorRT - NVIDIA Developer Forumsmaximum workspace限制了模型中任何层可以使用的内存数量。这并不意味着如果设置1 << 30，就会分配1GB内存。在运行时，只会分配层操作所需的内存数量。在构建大网络时，设置这个参数，给予足够多的内存

定义矩阵的奇异值分解（SVD）是指，将一个非零的 m×nm \times nm×n 实矩阵 A,A∈Rm×nA, A \in \mathbf{R}^{m \times n}A,A∈Rm×n, 表示为以下三个实矩阵乘积形式的运算, 即进行矩阵的因子分解:A=UΣVTA=U \Sigma V^{\mathrm{T}} A=UΣVT其中，UUU 是 mmm 阶正交矩阵, VVV 是 nnn 阶正交矩阵，

目前，了解到的深度学习模型集成的方法主要有两种：第一：平均checkpoints即对存储好的多个checkpoint中的参数求平均，然后重新保存。这里的多个checkpoint可以是同一份数据训练，模型收敛后存储的多个模型；也可以是不同的数据训练得到的模型。该方法的优点是可以提高单个模型的效果，并且推理的速度和存储都不会发生变化。缺点在于待平均的模型的结构要完全一致，另外提升的效果不会很大。以py

nvidia-smi -LGPU 0: GeForce GTX 1080 Ti (UUID: GPU-605d2ec6-45f8-114b-3cc6-a7979cdc6a72)GPU 1: GeForce GTX 1080 Ti (UUID: GPU-54ea13f7-27d8-c1e4-4b86-9411e1283dff)GPU 2: GeForce GTX 1080 Ti (UUID: GPU

假设有12个样本可被分为A，B, C 三个类别，某个分类器的结果如下：真实预测ABAAAAACBBBBBABCCCCCCACCP值精确率, 每个类别都有自己的P值预测为A类的样本中，实际是A类的样本占比:PA=24=12P_{A}=\frac 2 4=\frac 1 2PA​=42​=21​预测为B类的样本中，实际是B类的样本占比:PB=23P_{B}=\frac 2 3PB​=3

PyTorch使用缓存分配器来加速内存分配。允许在不进行设备同步的情况下快速重新分配内存。缓存分配器中未被占用得内存，用nvidia-smi查看也显示为使用torch.cuda.empty_cache()释放缓存分配器中未被占用得显存（减少显存碎片），从而可被其他gpu服务使用，也可使用nvidia-smi命令查看现象：在部署gpu服务后，由于每次得请求数据大小不一致，随着请求数据变大（例如，文本

内容来自论文@article{何昕2007基于简单树匹配算法的,title={基于简单树匹配算法的Web页面结构相似性度量},author={何昕 and 谢志鹏},journal={计算机研究与发展},number={z3},pages={1--6},year={2007}}简单树匹配算法SimPle Tree Matching 最初在软件工程上用于比较两个计算机程序，后引入网页结构相似度计算。

转自博客。仅供自己学习使用，如有侵权，请联系删除分类任务的评价指标有准确率，P值，R值，F1值，而回归任务的评价指标就是MSE，RMSE，MAE、R-SquaredMSE均方误差MSE是真实值与预测值的差值的平方和然后求平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。MSE=1m∑i=1m(yi−y^i)2MSE=\frac{1}{m} \sum_{i=1}^{m}\left(y_{