1、在训练hourglass的时候，有几个文件需要清楚annot.h5文件是包含了25925个人的训练集，对应着17408张图片train.h5是包含了22246个人的训练集，对应着14679张图片valid.h5是包含了2958个人的验证集，对应着2729张图片test.h5是包含了11731个人的测试集，对应着6619张图片注：valid数据集是根据tompson的划分来的，是从训练集的一部分

然后就用pytorch自带的matmul,把kernels的展开乘unfold之后的inputtensor(c_0*w_k*h_k,w_1*h_1)得到OutputMaps,维度为(c_1,w_1*h_1)unfold之后,我们构造c_1个可以学习的tensor(c_0,w_k,h_k)作为kernels,并把它像左下图那样展开成(c_1,c_0*w_k*h_k),注意这里的c_1是kernel的

import torch.nn as nnclass A (nn.Module):def __init__(self):super(A, self).__init__()self.c1 = nn.Conv2d(256,256,1)self.c2 = nn.Conv2d(256,256,1)def forward(self,x):x1=xfor i in range(3):.

前言：类似于keras中的序贯模型，当一个模型较简单的时候，我们可以使用torch.nn.Sequential类来实现简单的顺序连接模型。这个模型也是继承自Module类的，关于这个类，后面的文章会详细介绍。一、关于Sequential类的简介这样看起来，Sequential似乎是一个容器，的确，他确确实实是可以作为一个容器包装机各层，我在下一篇文章会说到，这里还是先简单看一下它的定义：class

import torchimport torch.nn as nnimport torchfrom torchsummary import summary# from tensorboardX import summaryclass CSDN_Tem(nn.Module):def __init__(self, in_ch, out_ch):super(CSDN_Tem, self).__init_

接着解释writer.add_scalar('scalar/test', np.random.rand(), epoch)，这句代码的作用就是，将我们所需要的数据保存在文件里面供可视化使用。 这里是Scalar类型，所以使用writer.add_scalar()，其他的队形使用对应的函数。第一个参数可以简单理解为保存图的名称，第二个参数是可以理解为Y轴数据，第三个参数可以理解为X轴数据。当Y轴数据

numpy中的ndarray转化成pytorch中的tensor ：torch.from_numpy()pytorch中的tensor转化成numpy中的ndarray :numpy()import numpy as npimport torchnp_arr = np.array([1,2,3,4])tor_arr=torch...

功能键：INSERT（大概在回车键右边）解决

通过project tab查看项目的目录层级结构非常方便，今早打开pycharm后突然就发现自己的pycharm没有project选项卡了，各种折腾，来，记录下吧：目前的界面是这样的：我想要的界面是这样的，平时不占用界面写代码，随时查看项目的层级结构：能出现这样的界面就要归功与pycharm最下面的的一个小功能（图片中红色方框）：把滑块拖行到最下面就可以看到左侧有这个一个东西，把鼠标放在...

1、a = self.anno[self.train[index]]print(a)输出结果：{u'isValidation': 0.0, u'scale_provided': 0.811, u'joint_self': [[29.148, 153.26, 1.0], [61.831, 147.878, 1.0], [111.133, 168.375, 1.0], [105.277, ...