一、前提条件1、确保linux服务器已经安装好虚拟环境，并且虚拟环境已经python的相关环境（连接服务器也可以进行环境配置）。2、通过Xsheel激活虚拟环境然后通过pip安装相关的包，当然也可以通过pycharm的terminal进行相关库 安装。二、连接服务器1、进入pycharm的Tools栏2、选择文件传输协议为SFTP，输入服务器的IP、端口、密码进行连接，不出意外的情况下应该是能够连

一、查看 CUDA 版本方法一：通过命令执行nvcc --version得到如下结果，说明CUDA的版本是10.0方法二：去安装目录下核查，如下图所示，版本为10.0二、查看 cuDNN 版本通过进入 CUDA 的安装目录查看文件 cudnn.h 得到下图的结果，得到下图的结果，说明cudnn的版本是7.4.1。友情提示：如果是因为安装tensorflow-gpu的需要安装CUDA以及cudnn，

一、UMAP算法的定义：统一流形近似与投影(UMAP)是一种降维技术，可以用于类似于t-SNE的可视化，也可以用于一般的非线性降维。该算法基于对数据的三个假设:1、数据均匀分布在黎曼流形上;2、黎曼度量是局部常数(或者可以近似);3、该管汇是局部连接的。根据这些假设，可以用模糊拓扑结构对流形进行建模。通过搜索具有最接近的等价模糊拓扑结构的数据的低维投影来发现嵌入。二、UMAP包的安装：...

文章目录本文框架1. BERT定义2. BERT实现2.1 BERT输入2.1.1 Token Embeddings（input_ids）2.1.2. Segment Embeddings（token_type_ids）2.1.3 Position Embeddings（attention_mask）2.2 预训练2.2.1 获取序列的embeddings2.2.2 利用Transformer对序

一、通过anaconda安装前提条件：确保linux服务器已经安装了anaconda，如果没有安装可以参考其他博客进行安装。基本操作：1、创建虚拟环境conda create --name fantacy python=3.6.12# 创建虚拟环境–name：也可以缩写为 【-n】，【fantacy】是新创建的虚拟环境的名字,python=3.6.12：是python的版本号。若未指定，默认为当前

文章目录本文框架1. BERT定义2. BERT实现2.1 BERT输入2.1.1 Token Embeddings（input_ids）2.1.2. Segment Embeddings（token_type_ids）2.1.3 Position Embeddings（attention_mask）2.2 预训练2.2.1 获取序列的embeddings2.2.2 利用Transformer对序

一、查看 CUDA 版本方法一：通过命令执行nvcc --version得到如下结果，说明CUDA的版本是10.0方法二：去安装目录下核查，如下图所示，版本为10.0二、查看 cuDNN 版本通过进入 CUDA 的安装目录查看文件 cudnn.h 得到下图的结果，得到下图的结果，说明cudnn的版本是7.4.1。友情提示：如果是因为安装tensorflow-gpu的需要安装CUDA以及cudnn，

方法一、conda list则说明CUDA和CUDNN已经配置成功方法二、nvcc -V如果安装成功会输出CUDA的版本信息（V要大写），如果没有安装nvcc，那么可以选择安装或者采用一方法，采用服务器可能出现没有权限的情况，需要得到root权限安装nvcc方法三、打开CUDA和CUDNN目录cat /usr/local/cuda/version.txt...