HybridBlock介绍：https://mxnet.apache.org/versions/1.4.1/tutorials/gluon/hybrid.htmlHybridBlock：mxnet.gluon中的一个Block基础类，支持混合模式，即同时支持动态图+静态图。其具有以下特点：其所有的children层都必须是HybridBlock。只有 NDArray和Symbol同时支持的操作才能

参考：https://blog.csdn.net/chentravelling/article/details/53558096世界坐标系 -> 相机坐标系 -> 像素坐标系Zc是相机坐标系Z轴的长度，对应着物体的深度

pytorch中的权值初始化官方论坛对weight-initilzation的讨论torch.nn.Module.apply(fn)torch.nn.Module.apply(fn)# 递归的调用weights_init函数,遍历nn.Module的submodule作为参数# 常用来对模型的参数进行初始化# fn是对参数进行初始化的函数的句柄,fn以nn.Module或者自...

都是一种权值更新算法，类似于SGD算法，其中，RMSProp是RProp算法的改良版。RProp算法首先为各权重变化赋一个初始值，设定权重变化加速因子与减速因子。在网络前馈迭代中当连续误差梯度符号不变时，采用加速策略，加快训练速度；当连续误差梯度符号变化时，采用减速策略，以期稳定收敛。网络结合当前误差梯度符号与变化步长实现BP，同时，为了避免网络学习发生振荡或下溢，算法要求设定权重变化的上下限

核心步骤：结果做序列化跨卡之间做all_gather操作将结果做反序列化序列化In [21]: import pickle...: import torch...:...: result_part = [1, 2, 3, 4]...: part_tensor = torch.tensor(bytearray(pickle.dumps(result_part)), dtype=torch.uint8

PASCAL VOC数据集分析PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。本文主要分析PASCAL VOC数据集中和图像中物体识别相关的内容。在这里采用PASCAL VOC2012作为例子。下载地址为：点击打开链接。（本文中的系统环境为ubuntu14.04）下

mmlab_DeepFashion_inshopmmlab_DeepFashion_consumer2shopmmlab_DeepFashion_fashionsynth

大部分内容转载自：Pytorch入门学习（八）—–自定义层的实现（甚至不可导operation的backward写法）哇,这个博客是对pytorch官方手册中-Extending PyTorch部分的的翻译总虽然pytorch可以自动求导，但是有时候一些操作是不可导的，这时候你需要自定义求导方式。也就是所谓的 “Extending torch.autograd”. 官网虽然...

清华pypi源的网址：https://pypi.tuna.tsinghua.edu.cn/simple临时更改：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-packagepip -i 选定从哪个网站下载python包永久更改：pip install pip -Upip config set global.i...

为了方便进行数据的操作，pytorch团队提供了一个torchvision.transforms包，我们可以用transforms进行以下操作：PIL.Image/numpy.ndarray与Tensor的相互转化；transforms.ToTensor()把像素值范围为[0, 255]的PIL.Image或者numpy.ndarray型数据，shape=(H x W x C)转换成的像素