1.csv文件1.1 创建csv文件1.2 将数据写入csv文件1.3 可视化2.txt文件2.1 创建txt文件并写入数据1.csv文件1.1 创建csv文件这里用的是pandas库，以创建train_acc.csv为例，var_acc.csv类似代码import randomimport pandas as pdfrom datetime import datetime#创建train_acc

1. 问题2. 分析3. 解决1. 问题训练模型时报错：RuntimeError: CUDA out of memory. Tried to allocate 128.00 MiB (GPU 0; 2.00 GiB total capacity; 1.49 GiB already allocated; 57.03 MiB free; 6.95 MiB cached)2. 分析这种问题，是GPU内存

这里写目录标题1.数据集介绍二级目录三级目录1.数据集介绍    深度学习所用数据集一般分为训练集、验证集、测试集。训练集：用于训练的样本集合,主要用来训练神经网络中的参数。验证集：用于验证模型性能的样本集合.不同神经网络在训练集上训练结束后,通过验证集来比较判断各个模型的性能.这里的不同模型主要是指对应不同超参数的神经网络,也可以指完全不同结构的神经网络。

1 可解释性AI2 决策树3 进入神经支持的决策树1 可解释性AI    如今，AI已经可以做决定，但我们仍不知道这个决定是如何做出的。AI就像一个黑匣子，能自己做出决定，但是人们并不清楚其中缘由。比如我们建立一个AI模型，输入数据，然后再输出结果，但有一个问题就是我们不能解释AI为何会得出这样的结论。人们需要了解AI如何得出某个结论背后的原因，而不是仅仅接

相信很多刚接触人工智能学习的人会遇到这个问题，当时用笔记本的CPU在跑一个Unet，19个epoch要跑半个小时，电脑内存也爆满。先跑一个简单的网络试试看，比如UnetUnet代码可以在unet代码下载用自己的轻薄本CPU跑的情况如图，电脑要炸啦后来又想去买显卡，看了看价格还是望而却步了。而且学这个很多人都是学生，无收入。要想搭建gpu环境，配置最好RTX2060以上，这已经很贵了。笔记本跑大模型

这里写目录标题1、下载准备2、下载安装Anaconda3、下载安装CUDA和CUDNN3.1 cuda和cudnn下载3.2 cuda和cudnn安装4、安装GPU版pytorch与TensorFlow4.1 下载4.2 安装1、下载准备    相关的安装包比如Anaconda、CUDA、CUDNN、Pytorch、TensorFlow等都可以在https:

1. 问题2. 分析3. 解决1. 问题import torch时报错：RuntimeError: module compiled against API version 0xc but this version of numpy is 0xb2. 分析这是numpy版本与python版本不匹配的问题3. 解决卸载原来版本的numpypip uninstall numpy2.下载相匹配的numpy

1. 问题2. 分析3. 解决1. 问题import torch时报错：RuntimeError: module compiled against API version 0xc but this version of numpy is 0xb2. 分析这是numpy版本与python版本不匹配的问题3. 解决卸载原来版本的numpypip uninstall numpy2.下载相匹配的numpy

防止安装tensorflow过程踩坑，首先要知道一些版本对应关系1. Windows2. Linux3. macOS1. WindowsCPUGPU2. LinuxCPUGPU3. macOSCPUGPU来源：https://tensorflow.google.cn/install/source_windows

1. 问题2. 分析3. 解决1. 问题在修改完Resnet网络结构（加入attention机制）后进行train,报错：2. 分析    原因是预训练模型里面的参数模型和自己修改的网络参数不对应。    先看加载预训练模型的代码def _resnet(arch, block, layers, pretrained,