迁移学习和领域自适应指的是利用一个情景(例如，分布P1)中已经学到的内容去改善另一个情景(比如分布P2)中的泛化情况，在无监督学习任务和监督学习任务之间转义表示。在迁移学习中，学习器必须执行两个或更多个不同的任务，但是我们假设能够解释P1变化的许多因素和学习P2需要抓住的相关变化。这通常能够在监督学习中解释，输入是相同的，但是输出不同的性质。例如，我么可能在第一种情景中学习了一组视觉类别，比如..

错误原因是，字符串以\ 结尾 或者字符串缺少引号。写代码拼接windows 路径出现这个错误， 查资料才知道 python中字符串不能以 \ 结尾我的代码如下import osdirname = "test"path = r'C:\Users\panda\Desktop\新建文件夹\' + dirname运行则报错File "test.py", line 3path = r'C:\Users\pa

博主实在使用Pytorch分布式训练时遇到这个问题的，原因是程序中GPU数量和指定的GPU数量不一样导致的。底层查看之后，发现了问题。原来是Pytorch在参数保存的时候，会注册一个跟原来参数位置有关的location。比如原来你在服务器上的GPU1训练，这个location很可能就是GPU1了。而如果你台式机上只有一个GPU，也就是GPU0的时候，那么这个参数带进来的Location信息于你的台

我们知道，对于pytorch上的搭建动态图的代码的可读性非常高，实际上对于一些比较简单的网络，比如alexnet，vgg阅读起来就能够脑补它们的网络结构，但是对于比较复杂的网络，如unet，直接从代码脑补网络结构可能就比较吃力tensorflow上的tensorboard进行计算图的可视化可谓是非常成熟了，那么有没有可以可视化pytorch动态图的工具呢？实际上是有的，前两天介绍了tensorbo

1.St(x|u,w,v)是由一个单变量高斯分布N(x|u,t^-1)和一个gamma分布Gam(t|a,b)相乘得到的分布函数。v=2a,w=a/b2.当v->无穷时，学生分布变为高斯分布，当接近1时，变为Cauchy 分布。3.学生t分布具有很好的健壮性，这是由于在其概率密度函数中没有指数的限制，所以在有噪声数据的时候会显示很好的鲁棒性。......

1、Anisotropic Separable Set Abstraction for Efficient Point Cloud Representation Learning在各种移动设备中嵌入的激光雷达传感器已经广泛促进了对3D点云表示的访问。这导致了对快速和准确的点云处理技术的需求。在本文中，我们将重新访问并更深入地研究PointNet++，这是最有影响力但尚未开发的网络之一，并开发更快、

这项工作的贡献有三个方面：（1）设计了一个结构感知的未配对图像到图像的翻译网络，该网络学习跨不同域的潜在数据转换，同时大大减少了转换图像中的伪影；在本文中，提出了一种简单而有效的实例感知图像到图像的翻译方法，该方法在空间上对目标图像采用了隐含的局部（实例）和全局风格。针对一般目标检测数据中小目标少而且难以标注的问题，基于GAN提出了一种用于小目标检测的数据增强的完整流程，该流程将基于GAN的目标生

对抗网络是14年Goodfellow Ian在论文Generative Adversarial Nets中提出来的。 原理方面，对抗网络可以简单归纳为一个生成器(generator)和一个判断器(discriminator)之间博弈的过程。整个网络训练的过程中，两个模块的分工判断网络，直观来看就是一个简单的神经网络结构，输入就是一副图像，输出就是一个概率值，用于判断真假使用（概率值大于0.5那就是

torch.cuda.set_device(device)[source]Sets the current device.Usage of this function is discouraged in favor of device. In most cases it’s better to use CUDA_VISIBLE_DEVICES environmental variable....

1.KITTI数据集概述　　KITTI数据集由德国卡尔斯鲁厄理工学院和丰田美国技术研究院联合创办，是目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集。该数据集用于评测立体图像(stereo)，光流(optical flow)，视觉测距(visual odometry)，3D物体检测(object detection)和3D跟踪(tracking)等计算机视觉技术在车载环境下的性能.....