饮茶

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 ...

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub. Quick StartCreate a new post1$ hexo new "My New Post" More info: Writing Run server1$ hexo server More info: Server Generate static files1$ hexo generate More info: Generating Deploy to remote sites1$ hexo deploy More info: Deployment