无监督缺陷检测任务没有标签数据，传统的准确率、召回率等标准指标不适用。

1、在本机的命令行中输入：ssh-keygen, 生成密钥，全部默认，生成的密钥默认在用户目录下的.ssh文件夹中，>在左侧功能栏，打开Remote Explorer可以看到新增的ssh连接，可以在这里快捷的连接远程服务器。在vscode的ssh config中对应的服务器连接添加一栏：IdentityFile。本地（或者链接的远端工控机或者服务器上），与指定git分支进行ssh密钥的方式链接。>

无监督缺陷检测任务没有标签数据，传统的准确率、召回率等标准指标不适用。

主导序列转换模型基于复杂的循环或卷积神经网络，包括编码器和解码器。表现最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构，Transformer，完全基于注意力机制，无需循环和卷积。在两项机器翻译任务上的实验表明，这些模型在质量上优于现有的最佳结果，包括集成模型，并且提高了超过2个BLEU。在WMT 2014英语到法语翻译任务上，我们的模型在八块GPU上进行训练3.5天后

结果是原图像本身。：结果是原图像本身。：结果是反转后的图像。：结果是全黑图像。

数据增强（Data Augmentation）是通过对训练数据进行变换（如旋转、平移、缩放、翻转等）来生成新的训练样本，从而增加数据集的多样性和鲁棒性。数据增强可以帮助模型更好地泛化，减少过拟合，特别是在数据量较少的情况下。数据增强方法的选择通常依赖于任务的具体要求和数据的特点。通过对数据集进行有效的增强，可以提高模型的泛化能力，减少过拟合，增强模型对噪声、遮挡、旋转等变化的鲁棒性。在图像分类、目

图片的问题：暗场，照明光不进入相机镜头，检测反射光；明场，照明光进入相机镜头暗场对应的像素和实际的倍率不确定明场的倍率相对确定，暗场由于光线非直射，缺陷成像的形状和尺寸不能保证。

数据增强（Data Augmentation）是通过对训练数据进行变换（如旋转、平移、缩放、翻转等）来生成新的训练样本，从而增加数据集的多样性和鲁棒性。数据增强可以帮助模型更好地泛化，减少过拟合，特别是在数据量较少的情况下。数据增强方法的选择通常依赖于任务的具体要求和数据的特点。通过对数据集进行有效的增强，可以提高模型的泛化能力，减少过拟合，增强模型对噪声、遮挡、旋转等变化的鲁棒性。在图像分类、目

结果是原图像本身。：结果是原图像本身。：结果是反转后的图像。：结果是全黑图像。

是 PyTorch 中用于性能追踪和记录的工具，主要用于在代码中标记一个代码块，以便后续可以查看执行时间、内存使用情况、操作持续时间等信息。这个工具是 PyTorch 的和等性能分析工具的核心部分之一。