watch -n 10 nvidia-smi

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，基于密度的噪声空间聚类)。大概思想：给定一组空间中的点，它会将紧密挨在一起的点（或者说有很多邻居的点）划分为同一个簇，这些点聚集在一起形成一个高密度的区域；将低密度区域的点标记为异常点，这些点邻居很少。定义：样本集为D=(X1,…,XN)D=(X_1,…,X_...

import numpy as npfrom PIL import Imageim = Image.open('test.jpg')im2 = np.array(im)

IDEA设置python解释器

Rectangle（（左上角x，左上角y），宽，高）import matplotlib.pyplot as pltfig = plt.figure()ax = fig.add_subplot(1,1,1)rect = plt.Rectangle((top_left_x, top_left_y), width, height, fill=False, edgecolor = 'red',li...

参考集成学习主要分为 bagging， boosting 和 stacking方法。stacking过程如下图，首先在训练集上训练m个基分类器（或回归器），这m个分类器输出的预测结果（可以为label或概率）作为新的特征输入到Meta-Classifier中训练Meta-Classifier，通常Meta-Classifier会用LogisticRegression。在预测时，每个样本先通过所有m

使用多GPU训练pytorch模型只需要加一句DataParallel即可，如下from torch.nn import DataParallelos.environ["CUDA_VISIBLE_DEVICES"] = "0,1,2"# 允许使用的GPUmodel = .. (torch.nn.Module)model = DataParallel(model)model.cuda()数据和标签正

select(dim, index)：第一个参数为索引的维度，第二个参数为索引的维度的序列号import torcha = torch.rand((3, 4))print(a)>>> tensor([[0.8664, 0.9759, 0.3063, 0.0686],[0.6778, 0.0574, 0.3194, 0.4253],[0.5045, 0.8318, 0.1745,

问题使用anaconda切换虚拟环境后，使用pip安装包时，总是用的base环境的pip，包无法安装到虚拟环境中解决办法cd到anaconda3/envs目录，进入虚拟环境文件夹，再进入site-packages中，在该路径下执行python -m pip install ..即可使用pip将包装到该虚拟环境中...

pycharm格式化代码改变右边边界线位置。