然后把这三个文件使用 ZIP 进行压缩,然后重命名为XXX.kfpkg即可。之前分开烧录固件和模型总是报错，解决方案：将固件和模型打包起来一起烧录。代表需要校验, 只有固件才写true, 这会在固件前面添加校验值.模型文件, 烧录到0x00A00000, 不需要添加校验数据。固件名字, 地址为0。

【代码】【已解决】Ubuntu git clone报错：GnuTLS recv error (-110) / Failed to connect to github.com port 443。

目录PyTorch 的⼗七个损失函数1. L1loss2. MSELoss3. CrossEntropyLoss4. NLLLoss5. PoissonNLLLoss6. KLDivLoss7. BCELoss8. BCEWithLogitsLoss9. MarginRankingLoss10. HingeEmbeddingLoss11. MultiLabelMarginLoss12. Smoot

目录Cifar10 转 png第一步：下载 cifar-10-python.tar.gz第二步：运行 1_1_cifar10_to_png.py主要模块scipy.misc.imsave()函数：pickle模块os.path.join训练集、验证集和测试集的划分主要模块glob模块shutil模块os.walk()方法split()和os.path.split()Cifar10 转 png为了统

目录优化器基类 Optimizer参数组(param_groups)的概念zero_grad()state_dict()load_state_dict(state_dict)add_param_group()step(closure)PyTorch 的⼗个优化器torch.optim.SGDtorch.optim.ASGDtorch.optim.Rproptorch.optim.Adagradto

两个月前，由于跑代码在Ubuntu配置环境，乱七八糟的下载了很多东西，导致了一系列问题.....

本章将介绍如何在 PyTorch 中使用 TensorBoardX 对神经网络进行统计可视化，如Loss 曲线、Accuracy 曲线、卷积核可视化、权值直方图及多分位数折线图、特征图可视化、梯度直方图及多分位数折线图及混淆矩阵图等。TensorBoardXPyTorch 自身的可视化功能没有 TensorFlow 的 tensorboard 那么优秀，所以 PyTorch通常是借助 tensor

列表简单数据类型整型<class 'int'>浮点型<class 'float'>布尔型<class 'bool'>容器数据类型列表<class 'list'>元组<class 'tuple'>字典<class 'dict'>集合<class 'set'>字符串<class 'str'>1. 列表的定义

加载模型错误：有以下几种方法：1.在载入模型参数前加上：model = nn.DataParallel(model)2.更改torch版本部分原因是模型之间torch版本不匹配导致，加载使用模型时和训练模型时的环境不一致，可以重新安装torch3.增加load_state_dict()属性model.load_state_dict(checkpoint['state_dict'], strict=

MixNet是谷歌新出的一篇关于轻量级网络的文章，主要工作的重点就在于探索不同大小的卷积核的集合，这是因为：小的卷积核感受野小，参数少，但是准确率不高大的卷积核感受野大，准确率相对略高，但是参数也相对增加了很多于是谷歌提出了一种新的混合深度分离卷积(MDConv)(mixed depthwise convolution)，将不同的核大小混合在一个卷积运算中，并且基于AutoML的搜索空间，提出了一