常用命令Win/UbuntuMac注解Ctrl+Shift+P：Cmd+Shift+p打开命令面板Ctrl+P：Cmd+P搜索项目中的文件Ctrl+G：Ctrl+g跳转到第几行Ctrl+W：Cmd+w关闭当前打开文件Ctrl+Shift+W：Cmd+Shift+w关闭所有打开文件Ctrl+Shift+V：Cmd+Shift+v粘贴并格式化Ctrl+D：Cmd+d选择单词，重复可增加选择下一个相同的

方法一：在conda中安装方法conda install -c conda-forge pytorch_geometric方法二：通过二进制安装我们为所有主要的OS / PyTorch / CUDA组合提供压轮：确保至少安装了PyTorch 1.4.0：$ python -c "import torch; print(torch.__version__)">>> 1.7.0查找P

1.先安装 cuda 和 cudnn到nvidia官网下载cuda 10.0https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exenetworkcuda 10.0cuda 安装完

# -*- coding: utf-8 -*-"""Created on Sat Jul 18 12:27:15 2020@author: 陨星落云"""#%%fromtorchvision import datasetsimport torch#%% 下载数据并加载训练集path2data = "./data"train_data = datasets.MNIST(path2data,train

推测与验证现在您已经学会了训练网络，可以将其用于进行预测。 这通常称为推测，是从统计信息中借用的术语。 但是，神经网络倾向于在训练数据上表现得太好，并且无法将其推广到以前从未见过的数据，这称为过拟合，它会削弱推理性能。 为了在训练过程中发现过拟合，我们不在训练集中测试，而在验证集测试性能。 我们在训练过程中监控验证效果时，通过正则化（例如dropout）来避免过拟合。我将向您展示如何在PyTor.

下载安装 MSYS2。

飞桨：https://www.paddlepaddle.org.cn/Jittor计图：https://cg.cs.tsinghua.edu.cn/jittor/天元：https://megengine.org.cn/华为MindSpore:https://www.mindspore.cn/

语义分割和数据集在前几节讨论的目标检测问题中，我们一直使用方形边界框来标注和预测图像中的目标。本节将探讨语义分割（semantic segmentation）问题，它关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。图1展示了语义分割中图像有关狗、猫和背景的标签。可以看到，与目标检测相比，语义分割标注的像素级的边框显然更加精细。1 图像分割和实例分割计

可选择在NVIDIA控制面板查看。

从USGS Earth Explorer网站查找和下载MODIS数据