饮茶

1.图片插件1 1 2.复制网络图片-hexo与Typora的完美结合1复制图像链接--Ctrl+c 3.最佳解决方案在完成上述1和2后，用截图工具把要要保存的图片存到与博客文章同名的文件夹下，然后直接把该图片Ctrl+V复制到文件夹内即可 参考链接： https://blog.csdn.net/Miracle_ps/article/details/114791335 https://cloud.tencent.com/developer/article/1736563

1.硬件条件笔者是用的自己的笔记本远程连接服务器进行代码复现的 2.前置准备2.1新建文件夹首先，在服务器中建立存放code的文件夹 1mkdir TTSCGAN 2.2下载代码这里有两种情况： 在服务器中用git clone的方法下载代码， 先把整个代码文件包下载到本地，然后再用Pycharm上传至服务器，笔者这里用的是第二种方法 3.配置环境这里有两种情况： 下载的代码文件中有requirements.txt文件 有这个文件那复现代码工作就已经完成了一般了 请跳到3.5和3.7，然后直接在虚拟环境里自动安装所有需要的包： 1pip install -r requirements.txt 下载的代码文件中没有**requirements.txt**文件 很不幸，笔者这次是第二种情况 3.1确认Pytorch版本 首先，用Pycharm打开代码文件大概看一眼原作者用了什么包，笔者这里用的是Pytorch，然后根据原作者在GitHub上上传代码的年份反推了一下，原作者大概用的是1.8版本的Pytorch 3.2确认系统版本能支持的最低和最高cuda版本12cd /root ...

Python 中的 type(), dtype(), astype()的区别 函数 说明 type() 返回数据结构类型（list、dict、numpy.ndarray 等） dtype() 返回数据元素的数据类型（int、float等）备注：1）由于 list、dict 等可以包含不同的数据类型，因此不可调用dtype()函数 2）np.array 中要求所有元素属于同一数据类型，因此可调用dtype()函数 astype() 改变np.array中所有数据元素的数据类型。备注：能用dtype() 才能用 astype() 123456789101112131415161718192021222324252627282930313233343536import numpy as npclass Myclass(): pass a = [[1,2,3],[4,5,6]]b = {'a':1,'b':2,'c':3}c = np.array([1,2,3])d ...

Python之Shape()函数shape函数是numpy.core.fromnumeric中的函数，它的功能是查看矩阵或者数组的维数（可以理解为读取矩阵为几行几列），比如shape[0]就是读取矩阵第一维度的长度。 一个单独的数值，返回值为空： 12>>> shape(3) () 一个一维矩阵b, b.shape 为矩阵的长度 1234567>>> b =array([1,2,3,4]) >>> b.shape (4,) #可以简写 >>> shape([1,2,3,4]) (4,) >>> 一个4×2的矩阵c, c.shape[0] 为第一维的长度，c.shape[1] 为第二维的长度。 1234567>>> c = array([[1,1],[1,2],[1,3],[1,4]]) >>> c.shape (4, 2) >>> c.shape[0] 4 >>> c.shape[1] ...

Python中self用法详解简单来说，self就是表示创建的类实例本身 （而非类），相当于JavaBean里的this Python创建实例通过类名+()实现： 1student = Student() 1234class Student(object): def __init__(self, name, score): self.name = name self.score = score 12345>>>student = Student("Hugh", 99)>>>student.name"Hugh">>>student.score99 Python中各种下划线（__xxx、__xxx__ 、_xxx）__name: 如果要让内部属性不被外部访问，可以把属性的名称前加上两个下划线__，在Python中，实例的变量名如果以开头，就变成了一个私有变量（private），只有内部可以访问，外部不能访问，如下的 self.(两个下划线)name: 123 ...

Python scipy.io.loadmat用法及代码示例用法: 加载 MATLAB 文件。 1scipy.io.loadmat(file_name, mdict=None, appendmat=True, **kwargs) 参数： file_name： str mat 文件的名称(如果 appendmat==True，则不需要 .mat 扩展名)。也可以通过打开的file-like 对象。 mdict： 字典，可选 在其中插入 matfile 变量的字典。 appendmat：布尔型，可选 如果不存在，则将 .mat 扩展名附加到给定文件名的末尾。默认为真。 byte_order：str 或无，可选 默认情况下无，暗示从 mat 文件中猜测的字节顺序。否则可以是(‘native’、’=’、‘little’、’<’、’BIG’、’>’)之一。 mat_dtype： 布尔型，可选 如果为 True，则返回与加载到 MATLAB 相同 dtype 的数组(而不是保存它们的 dtype)。 squeeze_me： 布尔型，可选 是否压缩单位矩阵维度。 chars ...

Hexo常用命令12http://localhost:4000/ 长按 Ctrl + c 关闭服务器 1wh1720848796.github.io 12345hexo cl 清除缓存文件（db.json）和已生成的静态文件（public）hexo g 生成页面hexo s 生成本地的hexo页面hexo d 本地文件上传到Github上面 1234解决Hexo部署时报错：Error: Spawn failed删除.deplot_git文件夹git bash 中 git config --global core.autocrlf false重新执行hexo clean hexo g hexo d 解决方法2：在_config.yml中设置ssh地址 参考链接：https://blog.csdn.net/hannah2233/article/details/119976392 发布博客123npm i hexo-deployer-githexo new post "新建博客文章名"hexo cl && hexo g && ...

Pytorch分布式训练参数说明： world_size：为分布式主机的个数。介绍都是说是进程, 实际就是机器的个数, 例如两台机器一起训练的话, world_size就设置为2 rank：为分布式主机的编号。该参数指定主机的优先级。rank=0 为 master 节点。 **区分主节点和从节点的, 主节点为0, 剩余的为了1-(N-1), N为要使用的机器的数量, 也就是world_size** local_rank：进程内，GPU 编号。 rank是标识主机和从机的, world_size是标识使用几个主机。 参考链接：https://www.jianshu.com/p/77363710d15d

1.什么是随机种子？随机种子是针对 随机方法 而言的。 随机方法：常见的随机方法有 生成随机数，以及其他的像 随机排序 之类的，后者本质上也是 基于生成随机数来实现的。在深度学习中，比较常用的随机方法的应用有：网络的随机初始化，训练集的随机打乱 等。 举个例子，如果我们简单调用 random.random() 来生成随机数，那么每一次生成的数都是随机的。但是，当我们预先使用 random.seed(x) 设定好随机种子，基于这个种子来执行随机算法，这个时候我们 得到的随机数序列是相同的。 2.随机种子的工作原理（计算机底层是如何实现生成随机数的）？虽然计算机很擅长做精确计算，但是它们处理随机事件时非常不靠谱。实际上，计算机中的所有随机数都是 伪随机数，是靠 随机数算法 生成的，随机数算法其实就是在努力创造一种 呈均匀分布且难以预测的 数据序列。所有的随机数算法在初始化阶段都需要一个 随机“种子”（random seed），完全相同的种子每次将产生相同的“随机”数序列。如果我们没有手动进行显式设置，系统则 默认根据时间来选择这个值，此时每次生成的随机数因时间差异而不同。 3.举例说明① ...