TensorRT是可以在NVIDIA各种GPU硬件平台下运行的一个C++推理框架。我们利用Pytorch、TF或者其他框架训练好的模型，可以转化为TensorRT的格式，然后利用TensorRT推理引擎去运行我们这个模型，从而提升这个模型在英伟达GPU上运行的速度。速度提升的比例是比较可观的。TensorRT支持的平台如下。...

修改hostconfig.json如下，添加端口绑定"9003/tcp": [{“HostIp”: “”,“HostPort”: “9003”}]，表示绑定端口9003。一般在运行容器时，我们都会通过参数 -p（使用大写的-P参数则会随机选择宿主机的一个端口进行映射）来指定宿主机和容器端口的映射，例如。：将现有的容器打包成镜像，然后在使用新的镜像运行容器时重新指定要映射的端口。2、查看宿主机端口是

请参考：https://github.com/ziishaned/learn-regex/tree/master/translations

git将主干合并到当前分支时，出现如下结果：git merge Already up-to-date原因在于：执行git merge前，主干的代码没有更新正确的操作步骤如下：1 .切换到主干$ git checkout master更新主干代码$ git pull origin master切换回分支$ git checkout feature/20170527_894373_inventory_

1、字符串查找s.find(s1)//查找s中第一次出现s1的位置，并返回（包括0）s.rfind(s1)//查找s中最后次出现s1的位置，并返回（包括0）s.find_first_of(s1)//查找在s1中任意一个字符在s中第一次出现的位置，并返回（包括0）s.find_last_of(s1)//查找在s1中任意一个字符在s中最后一次出现的位置，并返回（包括0）s.fin_first_not_

1.服务器上安装anacondaAnaconda安装包中会自带。安装好以后直接输入jupyter notebook便可以在浏览器中使用。但是它默认只能在本地访问，如果想把它安装在服务器上，然后在本地远程访问，则需要进行如下配置：bash Anaconda3-5.0.1-Linux-x86_64.sh2.登陆远程服务器3.生成配置文件$jupyter notebook --generate-conf

计算两张图片的相似性，利用官方的hash python代码（https://github.com/zhangsong8/imagehash）测试图片相似度，算法源代码都在工程里面，非常方便，简单易懂。下面是我自己写的python测试脚本，批量生成图片之间的汉明距离。#-*- coding: utf-8 -*-#!/usr/bin/env pythonfrom PIL import Imageimp

概述总结深度学习项目中使用到的小工具.图片与标签xml文件相对应此脚本文件是为了解决图片与标签xml文件不对应的问题,清理数据,主要体现在图片多出几张或者标签多出几张的情况下.#encoding:utf-8# !/usr/bin/python'''USE Method:python move.py --xml xmlpath --pic picpath'''import osimport sysi

参考文档：https://ruhyadi.github.io/project/computer-vision/yolo3d/代码：https://github.com/ruhyadi/yolo3d-lightning本次分享将会从以下四个方面展开：物体检测模型中的算法选择单目摄像头下的物体检测神经网络训练预测参数的设计模型训练与距离测算。

概述这是一篇对稀疏卷积讲述非常全面的文章，理解起来毫不费事。这里要和SPConv相区别，这是两个完全不同的东西。SPConv是为了解决普通33卷积算子参数冗余而设计的，一种“即插即用”计算单元，可以随时随地替换普通33卷积算子，可以用来提高模型推理速度吧。跟剪枝算法差不多。下面要讲述的是稀疏卷积Sparse Convolution Net，转载自https://zhuanlan.zhihu.com