可以用torchsummary下的summary方法，或者torchinfo下的summary方法，两者功能是一样的以torchsummary下的summary方法为例说明首先通过pip install torchsummary之后在代码中：from torchsummary import summarysummary(model, (1, 28, 28)) #分别是输入数据的三个维度...

http://www.codeinword.com/左边是源代码，右边是排版后的代码，复制右边的代码粘贴到word，可以使得word中的代码美观

时频图以横轴为时间，纵轴为频率，用颜色表示幅值。在一幅图中表示信号的频率、幅度随时间的变化matplotlib.pyplot.specgram(x, NFFT=None, Fs=None, Fc=None, detrend=None, window=None,noverlap=None, cmap=None, xextent=None, pad_to=None, sides=None, scale

假设y=[1,2,3,4,2,3,1,4,2,3]是一条散点曲线，求y下方的面积：import numpy as npy=[1,2,3,4,2,3,1,4,2,3]np.trapz(y)

PR曲线实则是以precision（精准率）和recall（召回率）这两个为变量而做出的曲线，其中recall为横坐标，precision为纵坐标。设定一系列阈值，计算每个阈值对应的recall和precision，即可计算出PR曲线各个点。precision=tp/(tp+fp)recall=tp/(tp+fn)可以用sklearn.metrics.precision_recall_curve计

功率谱密度图以横轴为频率，纵轴为功率密度，表示信号功率密度随着频率的变化情况python绘制功率谱密度：matplotlib.pyplot.psd(x, NFFT=256, Fs=2, Fc=0, detrend=mlab.detrend_none,window=mlab.window_hanning, noverlap=0, pad_to=None,sides='default', scale_

现有一个神经网络，除了输出层外，其它所有层均使用Relu激活函数，但是训练过程中发现，每次训练完成后，它对所有的输入样本都输出一样的预测概率，比如二分类，对所有样本的预测概率都是[0.4,0.6]。由于对所有的样本的预测概率一样，因此预测标签也都一样，全预测为0/1。一开始以为是不是网络结构搭建有问题，因为当网络参数固定后，不同的输入样本的输入数据不一样，那么输出的预测概率肯定不一样，怎么会全输出

问题：vs2013配置opencv2.4.9后，运行程序，出现找不到opencv_core249d.dll和opencv_highgui249d.dll问题解决办法：首先将opencv_core249d.dll；opencv_highgui249d.dll;opencv_imgproc249d.dll三个文件从“OpenCV的安装路径\opencv\build\x86\vc12\bin”拷贝...

熵的计算公式：p(x)为概率，全部概率之和为1假设 probs是网络输出的n分类预测概率，尺寸为[batch_size,n]，那么预测熵的计算代码如下：log_probs = np.log2(probs)shang = -1 * np.sum(probs * log_probs, axis=1)...

熵的计算公式：p(x)为概率，全部概率之和为1假设 probs是网络输出的n分类预测概率，尺寸为[batch_size,n]，那么预测熵的计算代码如下：log_probs = np.log2(probs)shang = -1 * np.sum(probs * log_probs, axis=1)...