一、config文件分类Git中有三层config文件：系统、全局、本地查看不同级别的配置文件：#查看系统configgitconfig--system--list #查看当前用户（global）配置gitconfig--global--list#查看当前仓库配置信息gitconfig--local--list/etc/gitconfig：包含了适用于系统所有用户和所有项目的值。注是git的安装目录(Win：D:\Git\mingw64\etc\gitconfig)--system系统级~/.gitconfig：只适用于当前登录用户的配置。(Win：C:\Users\Administrato
一、config文件分类Git中有三层config文件：系统、全局、本地查看不同级别的配置文件：#查看系统configgitconfig--system--list #查看当前用户（global）配置gitconfig--global--list#查看当前仓库配置信息gitconfig--local--list/etc/gitconfig：包含了适用于系统所有用户和所有项目的值。注是git的安装目录(Win：D:\Git\mingw64\etc\gitconfig)--system系统级~/.gitconfig：只适用于当前登录用户的配置。(Win：C:\Users\Administrato
uniapp-H5配置打包文件抽离出config.js进行线上可修改接口一、项目背景二、uniapp中h5的使用1.vuecli和uniapp的区别2.static中创建config.js3.template.h5.html一、项目背景开发的过程中，会有测试和正式两个环境，尤其是在线上调试的接口会出现多样性，比如我们在git中提交的代码会部署到线上服务器和测试服务器，但是打包的时候需要固定接口地址，通常解决这类问题的方法就是使用location拿到当前域名来做接口地址，或者是单独配置一个config.js来进行线上地址的更改二、uniapp中h5的使用1.vuecli和uniapp的区别uni
uniapp-H5配置打包文件抽离出config.js进行线上可修改接口一、项目背景二、uniapp中h5的使用1.vuecli和uniapp的区别2.static中创建config.js3.template.h5.html一、项目背景开发的过程中，会有测试和正式两个环境，尤其是在线上调试的接口会出现多样性，比如我们在git中提交的代码会部署到线上服务器和测试服务器，但是打包的时候需要固定接口地址，通常解决这类问题的方法就是使用location拿到当前域名来做接口地址，或者是单独配置一个config.js来进行线上地址的更改二、uniapp中h5的使用1.vuecli和uniapp的区别uni
目录查看或修改git本地仓库或全局配置git的相关命令参数配置文件作用域属性操作属性类型其他示例：获取操作 添加操作修改操作删除操作查看或修改git本地仓库或全局配置git在默认作用域下，如果本地仓库、全局或系统参数在获取或设置值时发生冲突，按如下的优先级获取或设置参数值。git最终将读取所有的配置文件。获取默认配置，如果当前地址中仓库信息不存在，则查看全局，然后再读取系统配置gitconfig--list本地仓库配置高优先级gitconfig--local--list全局用户配置中优先级gitconfig--global--list系统配置低优先级gitconfig--system-
目录查看或修改git本地仓库或全局配置git的相关命令参数配置文件作用域属性操作属性类型其他示例：获取操作 添加操作修改操作删除操作查看或修改git本地仓库或全局配置git在默认作用域下，如果本地仓库、全局或系统参数在获取或设置值时发生冲突，按如下的优先级获取或设置参数值。git最终将读取所有的配置文件。获取默认配置，如果当前地址中仓库信息不存在，则查看全局，然后再读取系统配置gitconfig--list本地仓库配置高优先级gitconfig--local--list全局用户配置中优先级gitconfig--global--list系统配置低优先级gitconfig--system-
项目场景：在多GPU环境下用Pytorch训练的Resnet分类网络问题描述卷积神经网络ResNet训练好之后，测试环境或测试代码用了单GPU版或CPU版，在加载网络的时候报错，报错处代码为：net.load_state_dict(torch.load(args.weights))报错如下：RuntimeError:Error(s)inloadingstate_dictforResNet: Missingkey(s)instate_dict:"conv1.0.weights","conv1.1.weights","conv1.1.bias",...原因分析：出现这种报错的原因主要是，state
项目场景：在多GPU环境下用Pytorch训练的Resnet分类网络问题描述卷积神经网络ResNet训练好之后，测试环境或测试代码用了单GPU版或CPU版，在加载网络的时候报错，报错处代码为：net.load_state_dict(torch.load(args.weights))报错如下：RuntimeError:Error(s)inloadingstate_dictforResNet: Missingkey(s)instate_dict:"conv1.0.weights","conv1.1.weights","conv1.1.bias",...原因分析：出现这种报错的原因主要是，state
原因：预训练权重层数的键值与新构建的模型中的权重层数名称不吻合，Checkpoint里面的模型是在双卡上训练的，保存的key前面都多一个module.解决：model=torch.nn.DataParallel(model,device_ids=[0,1]).cuda()torch.nn.DataParallel是一种能够将数据分散到多张显卡上从而加快模型训练的方法。它的原理是首先在指定的每张显卡上拷贝一份模型，然后将输入的数据分散到各张显卡上，计算梯度，回传到第一张显卡上，然后再对模型进行参数优化。注意：不能直接在load_state_dict里面加strict=False来解决此问题，加入
原因：预训练权重层数的键值与新构建的模型中的权重层数名称不吻合，Checkpoint里面的模型是在双卡上训练的，保存的key前面都多一个module.解决：model=torch.nn.DataParallel(model,device_ids=[0,1]).cuda()torch.nn.DataParallel是一种能够将数据分散到多张显卡上从而加快模型训练的方法。它的原理是首先在指定的每张显卡上拷贝一份模型，然后将输入的数据分散到各张显卡上，计算梯度，回传到第一张显卡上，然后再对模型进行参数优化。注意：不能直接在load_state_dict里面加strict=False来解决此问题，加入
