我们使用的Linux一般是连接到某个强大的服务器上，然后从终端输入运行代码的指令，那么程序开始运行，但是这样有个问题，就是如果网络问题或者服务器和客户端连接不稳定，终端是很容易自动关闭的，如果终端关闭那么辛辛苦苦快跑完的程序也会中断。于是我们利用指令：nohup python train.py &输入该指令后， 程序运行结果不会显示到终端，而是直接在服务器后台运行，此时会在当前目录下生成一

这段时间弄一个模型处理数据时因为运算量很大，导致模型整体效率很低，后来想到把数据分段，开多进程来同时处理可以大大降低时间，简单来说就是，本来一个数据我单独主程序需要处理花10min，然后我把这个数据分成10段，再分别开了10个进程单独处理其中一段，因为这些进程是并行运算的（会加大电脑CPU运算量），那么总共你的时间就只花了1min，就很赚了。说干就干，先写一个简单的多进程代码。简单的多进程代码fr

二分类任务中只有正样本和负样本，即标签为1或0。而我们模型的目标就是尽可能去把所有的正样本的都准确的找出来，于是涉及到精确率Precision和召回率Recall。计算召回率：真实的正样本数目为3，而模型预测为准确的正样本数目为2，也就是3条有2条被找出来了，召回率=2/3。计算精确率：预测为正样本的数目为5，但其中只有2条是真的正样本，也就是只有2条被成功预测正确了，精确率=2/5。精确率Pre

二分类任务中只有正样本和负样本，即标签为1或0。而我们模型的目标就是尽可能去把所有的正样本的都准确的找出来，于是涉及到精确率Precision和召回率Recall。计算召回率：真实的正样本数目为3，而模型预测为准确的正样本数目为2，也就是3条有2条被找出来了，召回率=2/3。计算精确率：预测为正样本的数目为5，但其中只有2条是真的正样本，也就是只有2条被成功预测正确了，精确率=2/5。精确率Pre

import torchimport matplotlib.pyplot as pltimport torch.nn as nnimport numpy as npimport pandas as pdimport torch.nn.functional as Ffrom sklearn.preprocessing import MinMaxScalerfrom sklearn.model_sel

完整工程代码点击这里。import cv2import torch.nn as nnimport torchfrom tqdm import tqdmfrom sklearn.model_selection import train_test_splitimport numpy as npimport randomfrom collections import Countertorch.manua

激活函数在神经元之间作为信息传递的隐射函数，是为了将我们神经元这样的线性模型进行非线性转换的重要存在，使得我们最终的神经网络模型才能够表达出强大的非线性数据拟合能力。这里简单几种常见的激活函数。一、Sigmoid函数表达式为：导函数为：sigmoid是神经网络中很入门的一种激活函数，在以前得到了广泛使用，但是随着后来的学习发展，发现sigmoid的收敛速度很慢，而且因为本身的表达式不能很好的将神经

文件写入，会覆盖原来的内容代码#include<fstream>#include<iostream>using namespace std;int main(){fstream f;f.open("data.txt",ios::out);//输入你想写入的内容f<<"123323"<<" "<<"abs"<<endl;f.cl

github可以说是全球最大的一个技术交流分享平台了，里面提供了各种技术学习资源，但是下载文件的时候，也可能是外网限制问题，一般用浏览器下载很慢，特别在下载大型的文件的时候，非常容易下到一半卡掉，浪费时间，所以这时候用命令行下载比较稳定得多。具体操作如下打开github官网，搜索你想下载的某个工程，比如这里，我搜索了我以前上传到github的游戏资源，演示下载然后点击右边的绿色标记的“Clone

在此之前，我特意写了篇easyX图形库的安装和简单使用教程：easyX图形库安装使用然后呢，，，好像没啥说的，因为这个仅仅仅仅只是借助了easyX图形库加了一个外壳，剩下的核心结构代码全部是贪吃蛇（一）中的代码：贪吃蛇（一）–用C++编写一个简单的贪吃蛇运行结果就是这样的，如下然后剩下的就在代码里简单补充说明，实现比较简单，也希望后来的学习者可以做的更好更细致。完整工程点击这里贪吃蛇完整工程主函数