one_hot = torch.nn.functional.one_hot(torch.arange(3), num_classes=5)print--->tensor([[1, 0, 0, 0, 0],[0, 1, 0, 0, 0],[0, 0, 1, 0, 0]])one_hot = torch.nn.functional.one_hot(torch.LongTensor([1,3,4]

GAP是对每一个通道的像素求平均，假如现在的特征图的shape为[B,C,H,W]，经过GAP后shape变为[B,C,1,1]a = torch.rand([2,3,2,2])b = torch.nn.functional.adaptive_avg_pool2d(a, (1,1))print(a)print('='*20)print(b.shape)print('='*20)print(b)输出

github中的文件夹不能直接在网页中删除，这时候需要用到MINGW64去操作管理github中的项目，具体怎么安装MINGW64这里就不多做说明。我是第一次操作，但是也成功了。先把自己的项目clone下来，我是放在了桌面，进入目录后右键点击Git Bash Here，就可以在命令框中输入指令了。git rm -r /xxx/xxx/targetfile(需要删除的目录名称)...

这几天突然对神经网络有兴趣了，就花了两三天的时间学习了一下BP神经网络。开门见山，先把github上的代码demo放上去，先了解一下他们是如何构建一个BP神经网络的。然后就是一些我对BP神经网络的算法的一些总结。#-*- coding:utf-8 -*-import numpy as npimport matplotlib.pyplot as pltimport matplotlib

单机多卡并行训练torch.nn.DataParallel我一般在使用多GPU的时候, 会喜欢使用os.environ['CUDA_VISIBLE_DEVICES']来限制使用的GPU个数, 例如我要使用第0和第3编号的GPU, 那么只需要在程序中设置：os.environ['CUDA_VISIBLE_DEVICES'] = '0,3'这个参数最好在主体代码开始的时候写上，因为它要写在model调

YOLOV3

import numpy as npfrom tqdm import tqdmfrom glob import globimport cv2import randomimport osmeans = [0, 0, 0]stdevs = [0, 0, 0]index = 1num_imgs = 0imgslist = glob('/users/xxx/xxx/*.jpg')for imgpath i

将图片中的黑白部分分别提出来需要用到cv2.threshold(src, thresh, maxval, type)函数，其中参数分别表示为：src：表示的是图片源thresh：表示的是阈值（起始值）maxval：表示的是最大值type：表示的是这里划分的时候使用的是什么类型的算法**，常用值为0（cv2.THRESH_BINARY）**示例：syn_img = cv2.imread(r'xxx.

单机多卡并行训练torch.nn.DataParallel我一般在使用多GPU的时候, 会喜欢使用os.environ['CUDA_VISIBLE_DEVICES']来限制使用的GPU个数, 例如我要使用第0和第3编号的GPU, 那么只需要在程序中设置：os.environ['CUDA_VISIBLE_DEVICES'] = '0,3'这个参数最好在主体代码开始的时候写上，因为它要写在model调

先上结果：图1：图2：融合结果：代码：#-*- coding:utf-8 -*-import cv2import numpy as npimport randomimport osif __name__=='__main__':bg_path = r'G:\PAdatasets\openDatasets\OCR\collectOcrData\high_resolution_img'pages_pa