本文展示的是使用Pytorch构建一个BiLSTM来实现情感分析。本文的架构是第一章详细介绍BiLSTM，第二章粗略介绍BiLSTM（就是说如果你想快速上手可以跳过第一章），第三章是核心代码部分。目录1.BiLSTM的详细介绍2.BiLSTM的简单介绍3.BiLSTM实现情感分析参考1.BiLSTM的详细介绍坦白的说，其实我也不懂LSTM，但是我这里还是尽我最大的可能解释这个模型。这里我就盗个图[1]（懒得自己画了，而且感觉好像他也是盗的李宏毅老师课件的图）。简单来说，LSTM在每个时刻的输入都是由该时刻输入的序列信息XtX^tXt与上一时刻的隐藏状态ht−1h^{t-1}ht−1通过四种不同

YOLOv5目标检测技术进行车辆测距。相信大家对YOLOv5已经有所了解，它是一种快速且准确的目标检测算法。接下来，让我们一起探讨如何通过YOLOv5实现车辆距离估算。这次的实践将分为以下几个步骤：安装所需库和工具数据准备模型训练距离估算可视化结果优化1.安装所需库和工具首先，我们需要确保已经安装了YOLOv5的依赖库。这里我们使用Python作为开发语言，需要安装PyTorch、torchvision、OpenCV等库。可以使用以下命令进行安装：pipinstalltorchtorchvisionopencv-python接着，我们需要克隆YOLOv5的官方GitHub仓库，并进入项目目录：

问题描述：1、使用A30显卡，使用分布式并行DistributedDataParallel，运行程序时显卡显存充满，卡在设置local_rank处，并未启动进程组2、如图：解决方案：0、最新解决方案，针对Supermicro主板：BIOS->Advanced->NBConfiguration->IOMMU->Disabled==其它型号的主板的BIOS可能还需要禁用ACS：https://zhuanlan.zhihu.com/p/607203976https://www.supermicro.com/support/faqs/faq.cfm?faq=20264https://www.super

慢慢学，慢慢干。 大神博客：https://yolov5.blog.csdn.net/article/details/125148552我老老实实的按照大神博主的方案进行修改。第一步：common.py中添加BiFPN模型#BiFPN#两个特征图add操作classBiFPN_Add2(nn.Module):def__init__(self,c1,c2):super(BiFPN_Add2,self).__init__()#设置可学习参数nn.Parameter的作用是：将一个不可训练的类型Tensor转换成可以训练的类型parameter#并且会向宿主模型注册该参数成为其一部分即model.p

使用YOLOV5训练数据之后我们需要一些评判标准来告诉我们所训练的效果究竟如何。这时，YOLOV5给出了一个文件解决我们的问题。该文件在直接生成为runs文件，可理解记录一些运行时的日志信息。confusion_matrix.png(混淆矩阵)作为一种特定的二维矩阵，列代表预测的类别，行代表实际的类别。其对角线上的值表示预测正确的数量比例，非对角线元素则是预测错误的部分。混淆矩阵的对角线值越高越好，这表明许多预测是正确的。上图是对是否戴口罩进行训练，有图可以看出将一个图片分为了三个部分，分别是戴口罩，不戴口罩和backgroundFP。该图在每列上进行归一化处理。则可以看出戴口罩预测正确的概率

Pytorch机器学习（十）——YOLO中k-means聚类方法生成锚框anchor目录Pytorch机器学习（十）——YOLO中k-means聚类方法生成锚框anchor前言一、K-means聚类 k-means代码k-means++算法二、YOLO中使用k-means聚类生成anchor读取VOC格式数据集k-means聚类生成anchor总结前言前面文章说过有关锚框的一些知识，但有个坑一直没填，就是在YOLO中锚框的大小是如何确定出来的。其实在YOLOV3中就有采用k-means聚类方法计算锚框的方法，而在YOLOV5中作者在基于k-means聚类方法的结果之后，采用了遗传算法，进一步得

（一）前情这个工作已经有大佬用在自己的工程里了，他的帖子链接：https://blog.csdn.net/weixin_45829462/article/details/120372921但他的这个lite主要不是研究repvgg的，是做移动端的，但是里面加了这个repvgg他的代码链接：https://github.com/ppogg/YOLOv5-Lite/tree/ca7ed7ca0bb578fe6e5eaa777e84f661ad457e49我是看了看他的代码，然后把关于repvgg的地方加到了自己的yolov5-7.0中（但后续我没用seg去做训练，就正常训练）后续我还试着把rep-

        检测算法作为深度学习的一种主要基础算法，一直吸引着广大的科研工作者。这里总结了一些常见的Loss，作为记录。目录1.BCEBlurWithLogitsLoss2.FocalLoss 3.QFocalLoss4.APLoss5.aLRPLoss6.RankSortLoss7.IOULossGIoUDIoU CIoU（CompleteIoUloss）EnhancedCompletedIoUEfficientIoULossαIoUSIoU        检测算法一般包含分类损失(区分目标类别的)，回归损失（回归坐标的），目标置信度（表示是否存在目标的，也是一个分类损失）。先说分类损失

文章目录一、torch.manual_seed(seed)介绍二、类似函数的功能三、实例实例1：不设随机种子，生成随机数实例2：设置随机种子，使得每次运行代码生成的随机数都一样实例3：不同的随机种子生成不同的值实例4：设置随机种子后，是每次运行test.py文件的输出结果都一样，而不是每次随机函数生成的结果一样实例5：如果你就是想要每次运行随机函数生成的结果都一样，那你可以在每个随机函数前都设置一模一样的随机种子参考链接一、torch.manual_seed(seed)介绍torch.manual_seed(seed)功能描述设置CPU生成随机数的种子，方便下次复现实验结果。为CPU设置种子用

1.前提利用Transformer模型进行O3浓度的反演2.问题2.1速度慢一开始模型是在CPU上面跑的，为了加快速度，我改成了在GPU上跑方法如下：1、验证pytorch是否存在GPU版本在Pycharm命令行输入importtorchprint(torch.cuda.is_available)#若输出为True,则存在GPU版本#若输出为False,则不存在GPU版本我的输出为True，说明pytorch是存在GPU版本的2、将模型从CPU版本转换到GPU版本声明使用GPU（指定具体的卡）PS：torch.device()是装torch.Tensor的一个空间。device=torch.d