三个人，一个在举重，一个人在跑步，一个人在走路。他们都在运动，都是忙碌的，也就是GPU-Util占用高。但是很显然举重的，对外做功高，跑步的做功低，走路的最差，也就是GPU的耗电情况。如下所示，其表格中，有这么多参数，且参数名与值的其位置是一一对应的。我用不同颜色进行标识，同一种颜色的方框和箭头，标识出参数名和其值的位置关系。Pwr是指GPU运行时耗电情况，如图中GPU满载是300W，目前是86W

三个人，一个在举重，一个人在跑步，一个人在走路。他们都在运动，都是忙碌的，也就是GPU-Util占用高。但是很显然举重的，对外做功高，跑步的做功低，走路的最差，也就是GPU的耗电情况。如下所示，其表格中，有这么多参数，且参数名与值的其位置是一一对应的。我用不同颜色进行标识，同一种颜色的方框和箭头，标识出参数名和其值的位置关系。Pwr是指GPU运行时耗电情况，如图中GPU满载是300W，目前是86W

如何施加一定的变形呢，而且还不会把模型搞为白痴呢，而且施加的形变太小，容易没啥用，施加的太大又容易搞错边界。作者提出对每个样本施加一个梯度变化方向上的。在NLP领域，每个样本最后会变成embedding，输入到模型进行预测。所以只需要对embedding层进行施加变化就好。FGM核心思想是：在训练时对样本施加一定的变形，从而提升模型的健壮性。，即可以解决此问题。先想再做，对比总结！

jupyter内核似乎挂掉了 它很快将自动重启NTEL MKL ERROR:Intel MKL FATAL ERROR: Cannot load libmkl_avx512.so.2 or libmkl_def.so.2.

在补《信息熵基础》，此书理论清晰，后面还有一堆要命的习题，加深理解和应用，实乃佳作。其中一些题目对我来说确实不易，记录巩固一下，也和大家交流一下。文章目录一、硬币称重问题描述二、解答2.1第一问2.2第二问2.1.1第一次称重方案2.1.2 最后一次称重方案2.1.3 第二次称重方案2.1.3.1 相等2.1.3.2 不相等三、总结四、参考文献一、硬币称重问题描述n枚硬币，可能有一枚假币，...