1、在DP中，每个GPU上都拷贝一份完整的模型，每个GPU上处理batch的一部分数据，所有GPU算出来的梯度进行累加后，再传回各GPU用于更新参数2、DP多采用参数服务器这一编程框架，一般由若个计算Worker和1个梯度聚合Server组成。Server与每个Worker通讯，Worker间并不通讯。因此Server承担了系统所有的通讯压力。基于此DP常用于单机多卡场景。

在整个分布式中的序号，每个进程都有一个rank和一个local_rank，rank是相对整个分布式而言（就是序号从0开始一直到整个分布式中最后一个GPU的数，类似于range(0,整个分布式GPU数量），这里不是相对于一个。WORLD_SIZE代表着所有机器中总进程数(一个进程对应一块GPU)，RANK代表着是在WORLD_SIZE中的哪一个进程，LOCAL_RANK代表着当前机器上的第几个进程（

零、目标检测性能指标一、 confusion_matrix二、P&R&PR&F1_curve1. P_curve2. R_curve3. PR_curve4. F1_curve三、labels&labels_correlogram四、result.png&result.txt1. loss functions2. result.csv五、train_batchx六、val_batchx_label

上面我们已经定义好了，下面我们就可以过渡到直接参与计算mAP值的两个指标Precision和Recall。相信大家对这两个指标应该很熟悉，为了完整性，这里再重申一遍：Precision是查准率，意味着预测框中有多少真正包含了目标，计算公式如下：Recall是召回率，意味着真正的目标中有多少被预测框包含，计算公式如下：依旧以上图为例，我们可以轻松的得出TP=4，FP=1，FN=1。从而可以计算出Pr

零、目标检测性能指标一、 confusion_matrix二、P&R&PR&F1_curve1. P_curve2. R_curve3. PR_curve4. F1_curve三、labels&labels_correlogram四、result.png&result.txt1. loss functions2. result.csv五、train_batchx六、val_batchx_label

上面我们已经定义好了，下面我们就可以过渡到直接参与计算mAP值的两个指标Precision和Recall。相信大家对这两个指标应该很熟悉，为了完整性，这里再重申一遍：Precision是查准率，意味着预测框中有多少真正包含了目标，计算公式如下：Recall是召回率，意味着真正的目标中有多少被预测框包含，计算公式如下：依旧以上图为例，我们可以轻松的得出TP=4，FP=1，FN=1。从而可以计算出Pr

上面我们已经定义好了，下面我们就可以过渡到直接参与计算mAP值的两个指标Precision和Recall。相信大家对这两个指标应该很熟悉，为了完整性，这里再重申一遍：Precision是查准率，意味着预测框中有多少真正包含了目标，计算公式如下：Recall是召回率，意味着真正的目标中有多少被预测框包含，计算公式如下：依旧以上图为例，我们可以轻松的得出TP=4，FP=1，FN=1。从而可以计算出Pr

零、目标检测性能指标一、 confusion_matrix二、P&R&PR&F1_curve1. P_curve2. R_curve3. PR_curve4. F1_curve三、labels&labels_correlogram四、result.png&result.txt1. loss functions2. result.csv五、train_batchx六、val_batchx_label