目录问题图片问题原因解决问题图片发送websocket请求，返回的websocket数据不对问题原因获取openid接口接口地址中js_code即为uname获取openid时获取失败-原因发送websocket请求时，传的uname为Taro.login()获取的登录凭证code，获取openid要用这个uname（也就是code）然而，当前微信开发者工具配置的小程序appid和发送的websocket中的wxappid不一致→获取到的code是微信开发者工具配置的appid取的，两个对不上所以获取openid请求失败解决将微信开发者工具配置的小程序appid改成和发送websocket时携

要入门PyTorch，可以按照以下步骤：安装PyTorch：在PyTorch的官方网站PyTorch上可以找到对应的安装方式和教程，选择适合自己的版本进行安装。学习PyTorch基础知识：可以从官方文档中的入门教程开始学习，了解、自动求导（Autograd）、模型定义、数据加载等基本概念和用法。此外，也可以参考一些教程和书籍进行学习，例如《深度学习框架PyTorch：入门与实践》等。实践编程：通过编写实际的代码来巩固所学知识，可以从一些基础的小项目开始，例如手写数字识别、图像分类等。也可以尝试复现一些经典的模型，例如LeNet、AlexNet、VGG、ResNet等。参考官方文档和社区资源：P

利用pytorch实现卷积形式的ResNet1.导入必需的库2.定义残差块3.构建ResNet网络4.实例化网络和训练要使用PyTorch实现卷积形式的ResNet（残差网络），你需要遵循几个主要步骤。首先，让我们概述ResNet的基本结构。ResNet通过添加所谓的“残差连接”（或跳跃连接）来解决深度神经网络中的梯度消失/爆炸问题。这些连接允许梯度直接流过网络，从而改善了训练过程。1.导入必需的库importtorchimporttorch.nnasnnimporttorch.nn.functionalasF2.定义残差块残差块包括两个卷积层和一个跳跃连接。classResidualBloc

1.刚开始直接pipinstall出错看到是在安gensim时候出错2.单独安gensim：https://www.lfd.uci.edu/~gohlke/pythonlibs/找到合适的版本，cp36就是python3.6，下载以后放在3.

学习参考来自：PyTorch实现DeepDreamhttps://github.com/duc0/deep-dream-in-pytorch文章目录1原理2VGG模型结构3完整代码4输出结果5消融实验6torch.norm()1原理其实DeepDream大致的原理和【Pytorch】VisualizationofFeatureMaps（1）——MaximizeFilter是有些相似的，前者希望整个layer的激活值都很大，而后者是希望某个layer中的某个filter的激活值最大。这个图画的很好，递归只画了一层，下面来个三层的例子CNN处（defdeepDream），指定网络的某一层，固定网络

gif：效果图如下代码如下：HTML部分 viewclass="swiper-3d"> swiper:current="swiper.current"class

Open3D安装测试        Open3D（以下简称o3d）同时支持Python和C++接口，本部分为Python篇；C++部分将在后续更新。o3d的python接口放弃了大部分重型C++中的框架包括Boost、Ceres，转而使用了pybind11代替Boost。Python和内建高斯牛顿、列温伯格-马夸尔特等最优化方法；因此所有模块的源代码均随o3d一起分发。    o3d在python中的安装：可以直接使用pip安装稳定版本或自行git官方代码库进行wheel包构建（待更新）这里直接pip安装即可，但注意最好安装在conda等虚拟环境中。    o3d的python包当前支持pyt

本文采用ResNet-18+Pytorch+CIFAR-10实现深度学习的训练。文章目录一、CIFAR-10数据集介绍二、ResNet神经网络的介绍1.ResNet的网络模型2.本文用到的ResNet网络结构3.残差块的的解释4.ResNet神经网络的优缺点三、ResNet-18代码实现四、ResNet-18训练CIFAR-10数据集五、使用训练好的权重分类六、实现一个GUI页面一、CIFAR-10数据集介绍CIFAR10数据集是一个用于识别普适物体的小型数据集，一共包含10个类别的RGB彩色图片，图片尺寸大小为32x32，如图：相较于MNIST数据集，MNIST数据集是28x28的单通道灰度

nn.BCELoss1、nn.BCELoss2、使用场景3、nn.BCELoss计算公式4、torch.nn.BCEWithLogitsLoss()与nn.BCELoss()的区别5、torch.nn.BCELoss()函数6、torch.nn.BCEWithLogitsLoss()函数1、nn.BCELossnn.BCELoss()是二元交叉熵损失函数（BinaryCrossEntropyLoss）适用于二分类问题，即模型的输出为一个概率值，表示样本属于某一类的概率标签为二元值：0或1nn.BCELoss()计算的是二元交叉熵损失，也称为对数损失，它将模型预测值和真实标签值之间的差异转化为一

3D编辑在游戏和虚拟现实等领域中发挥着至关重要的作用，然而之前的3D编辑苦于耗时间长以及可控性差等问题，很难应用到实际场景。近日，南洋理工大学联合清华和商汤提出了一种全新的3D编辑算法GaussianEditor，首次实现了在2-7分钟完成对3D场景可控的多样化的编辑，全面超越了之前的3D编辑工作。近三年来，3D编辑领域的工作普遍聚焦于NeRF（神经辐射场），这是因为NeRF不仅能高保真地完成3D场景建模，而且其隐式特性极大地提高了可扩展性，相较点云、网格等传统方法有着显著的优势。然而NeRF依赖高维多层感知网络（MLP）对场景数据进行编码，这也带来了一定限制。它难以直接修改场景的特定部分，同