发表于 | 阅读次数:

第一步

1
sudo vim /etc/network/interfaces

第二步 在iface eth0 inet static添加下面

1
dns-nameservers 8.8.8.8 8.8.4.4

第三步，重启

1
sudo /etc/init.d/networking restart

发表于 | 分类于 | 阅读次数: 
1
2
3
4
5
6
7
8
9
10
11
12
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('config', metavar='CFG',
                    help='path to configuration')
parser.add_argument('-t', '--threads', type=int, default=4,
                    help="how many GPUs are avaliable on this machine")
parser.add_argument('-num', '--nums_epoch', default=200, type=int,
                    help='nums of epochs')
parser.add_argument('-save_dir', '--save_dir', default="tmp", type=str,
                    help='save_dir')
parser.add_argument('-gpus', '--gpus', nargs='+', type=int,
                    help='--gpus 1234 2345 3456 4567 ')

定位参数 ‘config’

不用加-, 是普通的参数列表

可选参数 ‘-t’/‘–threads’

需要加-, 需要加参数名字的参数列表

发表于 | 阅读次数: 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import torch
a = torch.tensor(0.0)
b = torch.tensor(0.0)

a.requires_grad = True
b.requires_grad = True

cosa = torch.cos(a)
cosb = torch.cos(b)

y1 = cosa + cosb
y2 = torch.tensor([
    cosa, cosb
])

y2.sum().backward()  # RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

print("a has grad ", a.requires_grad)
print("a grad", a.grad)

要应该拼接起来

1
2
3
y2 = torch.cat([
    cosa, cosb
], dim=0)

发表于 | 阅读次数:

“—
title: 人脸识别的loss
date: 2018-08-16 17:42:27
tags:
—“

1. 原有softmax

hardmax

![](https://ws2.sinaimg.cn/large/0069RVTdly1fubomqa5y3j30a0066glx.jpg)

softmax

![](https://ws1.sinaimg.cn/large/0069RVTdly1fubomz08qkj308k06ajrq.jpg)

区别

  1. soft max比hard max更容易达到终极目标one-hot形式， 因为它大的会被放大

  2. softmax鼓励不同类别的特征分开，但并不鼓励特征分离很多

  3. (5，1，1，1）时loss就已经很小了，此时CNN接近收敛梯度不再下降

2.人脸识别需要类内尽可能紧凑，类间尽可能分离

发表于 | 阅读次数:

“—
title: Hinton Neural Network
date: 2018-08-15 22:28:22
tags:
—“

1a

发表于 | 阅读次数: 
1
2
out[out > 0] = 1
out[out <= 0] = -1

As your function’s derivative is 0 everywhere (except for the input 0, where it isn’t smooth), you can also implement it as a function:

发表于 | 阅读次数:

pytorch 在backward的时候会删除计算图，
所以在backward的时候要加入参数 loss.backward(retain_graph=True)