docker里cv2报错，成功解决。

给每一个项目都创建一个自己的虚拟环境可以将不同的项目环境区分开，更好地知道每个项目需要的环境是哪些。左上角点击file选择settings选择python interpreter右上角设置选择add可以选择一个存放虚拟环境的路径requirements.txt文件一键安装项目所需环境可以看我的另一篇博客https://blog.csdn.net/weixin_41753316/article/de

官方也有给怎么使用提供的adapter的教程，但是如果想要嵌入自己的代码中还是会有些迷糊。本文​给大家说一下自己要用的话怎么去加入自己的代码中。

github学生认证

摘录部分学习记录~1. 简介BLEU（Bilingual Evaluation Understudy），相信大家对这个评价指标的概念已经很熟悉，随便百度谷歌就有相关介绍。原论文为BLEU: a Method for Automatic Evaluation of Machine Translation，IBM出品。本文通过一个例子详细介绍BLEU是如何计算以及NLTKnltk.align.bleu

torch.utils.data.DataLoader是PyTorch中数据读取的一个重要接口，该接口定义在dataloader.py脚本中，只要是用PyTorch来训练模型基本都会用到该接口。本文介绍torch.utils.data.DataLoader与torch.utils.data.Dataset结合使用的方法。

官方也有给怎么使用提供的adapter的教程，但是如果想要嵌入自己的代码中还是会有些迷糊。本文​给大家说一下自己要用的话怎么去加入自己的代码中。

机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。1.混淆矩阵介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种情况。

机器学习问题之中，通常需要建立模型来解决具体问题，但对于模型的好坏，也就是模型的泛化能力，如何进行评估呢？很简单，我们可以定一些评价指标，来度量模型的优劣。比如准确率、精确率、召回率、F1值、ROC、AUC等指标，但是你清楚这些指标的具体含义吗？下面我们一起来看看吧。1.混淆矩阵介绍各个指标之前，我们先来了解一下混淆矩阵。假如现在有一个二分类问题，那么预测结果和实际结果两两结合会出现如下四种情况。