最近需要做套接字通讯的工作，最好是有一个网络调试软件能够接受或者发送套接字，测试代码能够正常通讯。windows下有很多，但是linux下比较少，使用广泛的是下面这一款。

网络的教程来看，在半精度amp训练出现nan问题，无非就是这几种：但是总结起来就三种：先说结论，我使用amp半精度训练，即中间会参杂float16数据类型，加快训练过程。但是本文出现Nan就是因为float16，因为float16支持的最大值在65504，而我的模型中涉及一个矩阵乘法（其实就是transformer中的q@k运算）。其中，a∈[-38,40]，b∈[-39,40]，而矩阵乘法a@b

我有一个基于pytorch的动漫化Stable Diffusion项目，使用pyside6写了一个可视化界面。但是在新环境使用需要搭建Nvidia-Driver、CUDA、cuDNN和含pytorch的python环境，十分繁琐，所以需求是将项目打包为可执行文件，打包过程中将python环境一起打包，在新环境可以使用自带的python解释器，所以不需要配置python环境。

对于目标检测任务的学习，coco数据集是绕不开的，如果你是在ubuntu或其他linux系统学习还好，但如果是在windows系统下学习，早晚会遇到令人头大的pycocotools安装问题，本文就在windows下如何有效安装pycocotools的问题，记录解决办法。...

docker的介绍网上有很多，对于深度学习的认来讲，docker的好处就是直接把环境分享给他人，他人不需要再配置环境了。比如我有一个目标检测的项目，我想分享给朋友，那么他首先需要在自己的电脑上配置好显卡驱动、CUDA、CuDNN，在拿到我的项目后，还需要安装各种依赖库，最后代码还不一定跑起来。如果我是用了docker环境进行项目配置，我只需要将环境打包好后分享给朋友。他只需要安装好显卡驱动就行，什

CNN在提取特征时，通过随机丢弃推动模型去学习更多不同地特征（类似不把鸡蛋放同一个篮子里），这样在脸部转动或不同类别间，能够找到更多更有区分度地特征，帮助更好分类。CNN提取的多种特征，需要更好的联系起来才能完成分类，本文借鉴Transformer的强大全局注意力能力，探索CNN提取的不同局部特征间的关系，从而实现更好的分类。注意：无论是CNN探索更多局部特征，还是Transformer中探索更多

模型可视化是通过直观方式查看我们模型的结构。通常我们使用pytorch定义的网络模型都是代码堆叠，实现的和我们想象的是否一致呢，除了细致推敲代码外，直接通过图的方式展示出来更加直观。在这里介绍HiddenLayer和netron进行模型可视化，HiddenLayer是可以直接对pt模型进行可视化的，而netron无法直接可视化pt模型，所以我们通过将pt转为onnx模型，再通过netron进行可视

0. 颜色模式RGB 模式(百万种颜色)CMYK 模式(四种印刷色)索引模式(256 种颜色）灰度模式(256 级灰度）位图模式(两种颜色）0.1灰度模式也就是灰度图(黑白照片)，每个像素只有明暗变化，用0~255共256个亮度级来表示，用8个bit来表示，所以每个像素信息用8bit储存.0.2 位图模式(二值图像)即只有纯黑和纯白两种亮度，没有渐变的亮度级，通常用0表示纯黑，1表示纯白，所以每个

1、introduction在目标检测中，对于小目标的检测是一个难点，如果我们使用传统的多级卷积运算，可能导致像素占比少的小目标在该过程中丢失，所以如何提取高级特征还能保留小目标的信息是一个问题。FPN即特征金字塔，来自论文《Feature Pyramid Networks for Object Detection》。其基本...