pip --default-time=1000 install -i https://pypi.tuna.tsinghua.edu.cn/simple faiss-gpu

1 创建python 环境我创建一个虚拟环境，名字为pytorch_gpu ，搭配的Python环境为 3.7，命令如下所示：conda create -n pytorch_gpupython=3.72 查看都有哪些虚拟环境的指令：conda info --env3 激活某个环境的指令conda activate pytorch_gpu...

1CelebA ：CelebA是CelebFaces Attribute的缩写，意即名人人脸属性数据集，其包含10,177个名人身份的202,599张人脸图片，每张图片都做好了特征标记，包含人脸bbox标注框、5个人脸特征点坐标以及40个属性标记，CelebA由香港中文大学开放提供，广泛用于人脸相关的计算机视觉训练任务，可用于人脸属性标识训练、人脸检测训练以及landmark标记等，官方网址：ht

torch.unique()的功能类似于数学中的集合，就是挑出tensor中的独立不重复元素。这个方法的参数在官方解释文档中有这么几个:torch.unique(input, sorted=True, return_inverse=False, return_counts=False, dim=None)input: 待处理的tensorsorted：是否对返回的无重复张量按照数值进行排列，默认是

Oral:Self-Similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-IdentificationYang Fu, Yunchao Wei, Guanshuo Wang, Yuqian Zhou, Honghui Shi, Thomas S. HuangDeep Rei

在进行pytorch 训练时候，输入的数据tensor，以及模型需要.cuda,但是在做损失函数的时候，就不需要将Loss函数设置为cuda形式了，因为此时送入loss的数据已经是cuda类型的了，损失就会在这上面直接计算。...

当我生成一个可导类型的cpu张量的时候，判断其是否为叶子节点，显示为True ，如下面的代码所示：x = torch.randn(750,2048,requires_grad=True)print(x.is_leaf)#输出为：True但是当我直接把这个生成的cpu类型迁移到gpu上时，有意思的事情发生了：x = torch.randn(750,2048,requires_grad=True).c

在训练模型的过程中，有时候我们需要设置两个模型，一个是随着训练数据的加入进行参数更新的model，另一个模型是作为model的平均模型model_ema,对model_ema进行更新的时候，采用的方式为：θtmodel_ema=βθt−1model_ema+(1−β)θtmodel\theta_t^{model\_ema} =\beta\theta_{t-1}^{model\_ema}+(1-\b

当我生成一个可导类型的cpu张量的时候，判断其是否为叶子节点，显示为True ，如下面的代码所示：x = torch.randn(750,2048,requires_grad=True)print(x.is_leaf)#输出为：True但是当我直接把这个生成的cpu类型迁移到gpu上时，有意思的事情发生了：x = torch.randn(750,2048,requires_grad=True).c

我们在构造好了一个模型后，可能要加载一些训练好的模型参数。举例子如下：假设 trained.pth 是一个训练好的网络的模型参数存储model = Net()是我们刚刚生成的一个新模型，我们希望model将trained.pth中的参数加载加载进来，但是model中多了一些trained.pth中不存在的参数，如果使用下面的命令：model.load_state_dict(state_dict)会