Control + Retrun(回车键)Command + n参考：Mac Intellij Idea get/set方法快捷键-CSDN博客

前言：问题描述：广义上配置的SSH连接只能存在于局域网下，如果需要使用公网访问，需要将服务器挂在到公网上，这里我们使用了花生壳。配置成功后，再次使用Xshell通过SSH进行连接（解决了服务器拒绝了密码, 请再试一次的BUG）。一、 SSH的安装与配置1.SSH安装首先检测是否安装：rpm -qa |grep ssh2.若无，安装SSH（取决于linux 内核）：若是redhat，fedora，c

每次写教程的出发点都是一样，大家写的都不够全面，很容易造成操作失误。顺便记录一下在百度因为驱动加班的日子。。。一、总述一般来说，安装驱动有三种方式，1>通过runfile进行安装（难度高一点） ；2> 通过软件更新器进行安装（简单） ； 3> 通过ppa源安装（简单）。新手搞后两种就行，第一种容易黑屏、循环登录、安装异常、文本模式和图形模式的切换，不好驾驭。不管哪个方法，先禁用

需求：语义分割有23个类别，需要删除部分类别，删除的类别不会传入loss进行计算，但是默认在loss的计算过程中，是采用one-hot编码进行，删除类别会影响one-hot编码的排序。依次要做的事儿：将忽略的类别定义为-1，建立新旧label值的映射表，通过映射表修改label的值，对其中 -1 的值进行过滤，然后生成新的one-hot编码。需要修改的地方：类别数，修改值和mask其实不是针对我们

负样本：在目标检测任务中，数据集中部分图片没有出现目标，这些图片通常被称为负样本。正样本：指包含目标的图像。背景：背景是指整个图像中不包含目标的区域，它与负样本不同。负样本是针对整个图片而言，背景是针对边界框而言。

按量化参数分类，可分为静态量化和动态量化，区别这两种方式主要是是否提供校准集，动态量化更简单，更灵活，但是推理开销较大，会内嵌一些动态参数，特别注意，动态量化对于TensorRT的engine生成较复杂，因为TensorRT不支持DynamicQuantizeLinear操作。按量化时间分类，

亲测有效，解决ImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.29' not found

一般来说，神经网络和大数据的关系十分复杂，影响因素包括：模型的大小，数据集的大小，计算性能， 还有其他因素， 如：人力、时间等。下面对现有的内容做了一个整理：一、 数据量VS网络性能1.总述在《Revisiting Unreasonable Effectiveness of Data in Deep Learning Era》中，Sun等人将过去10年来的计算机视觉技术取得了重大成功的原因归功于：

亲测有效，解决ImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.29' not found

负样本：在目标检测任务中，数据集中部分图片没有出现目标，这些图片通常被称为负样本。正样本：指包含目标的图像。背景：背景是指整个图像中不包含目标的区域，它与负样本不同。负样本是针对整个图片而言，背景是针对边界框而言。