首先查看下Nvidia驱动的版本和内核的版本。选择recommend标志的驱动程序安装。安装完毕后验证一下，观察是否会报错。然后卸载nvidia驱动程序。

在使用dockr的时候修改了其中的.env文件，然后重新。

1.windows系统下需要编译安装opencv3.4(注意opencv4.1没有分类器)遇到windows下的opencv编译问题参考：windows7+vs2019编译opencv注意：本机编译的opencv_createsamples.exe程序和opencv_traincascade.exe程序只有通过本机编译才能在本机正常使用。2.然后按照这个教程执行：opencv实时识别指定物体注意：

摘要：本文解释macro-F1/micro-F1及head/tail类指标的含义。micro-F1反映整体精度，受大类主导；macro-F1衡量类间公平性，平等对待长尾类。建议同时报告二者：micro评估实用性，macro评估对稀有类的公平性。在长尾数据中，还可拆分head/tail类指标，分别评估模型对多数类和少数类的表现。对于前3类占70%的数据，macro-F1和tail指标更能反映模型改进

前言之前写过【AllenNLP】专栏学习allennlp 框架的一个入门中文教程，最近看的时候发现现在的版本已经从0.8升级到2.6了，升级内容见这里，可以看到有很多内容已经不适应了，所以根据官网最近的教程写了新的中文教程。本教程可以实现：基于movie review 的文本分类，包括：1、使用python脚本train、eval、predict2、使用Allennlp命令行train、eval、

1.TensorRT是什么TensorRT:GPU Inference Engine（简称GIE）2.推断（Inference）可以做什么？推断（Inference）的网络权值已经固定下来，无后向传播过程，因此可以：（1）模型固定，可以对计算图进行优化（2) 输入输出大小固定，可以做memory优化推断（Inference）可以使用低精度的技术，另一方面是模型需要的空间减少，不管是权值的存储还是中

一是将知识图谱的语义信息输入到深度学习中，例如以翻译嵌入(Translating Embeddings, TransE)、旋转嵌入( Rotation Embedding, RotatE)为代表的知识表示算法和图卷积网络、图注意力网络等图神经网络模型。知识图谱与深度学习的融合虽然已有较多研究工作，但目前仍未实现深度融合，知识表示产生的损失、常识和领域知识的融合等问题都有待进一步解决。逻辑知识一般采

如果该镜像有依赖的容器（即该镜像正在被某个容器使用），你可能会遇到删除失败的情况。如果你想删除多个镜像，可以将它们的。如果你想删除所有未使用的镜像，包括。，可以使用以下命令来删除该镜像。查看本地 Docker 镜像。作为空格分隔的列表传递给。

问题gpu训练的模型，使用cpu测试时遇到：RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False. If you are running on a CPU-only machine, please use torch.load with map_l

描述给定一个二叉树root和一个整数值 sum ，求该树有多少路径的的节点值之和等于 sum 。1.该题路径定义不需要从根节点开始，也不需要在叶子节点结束，但是一定是从父亲节点往下到孩子节点2.总节点数目为n3.保证最后返回的路径个数在整形范围内(即路径个数小于231-1)数据范围:0<=n<=10000<=n<=1000-109<=节点值<= 109假如二叉树