JrunDing

使用Labview时，为了验证算法的时间复杂度，经常需要测试程序的运行时间，下面是一个简单的测试程序运行时间的例子。 ​ 源程序： ​ 现要测试这段程序的执行时间，如下： ​ 使用平铺式顺序结构包住源程序，在其前后分别添加帧，在前后帧中分别添加时间计数器，用后帧减去前帧即可得到程序运行的毫秒数。

当谈到计算机网络和数据传输速度时，千兆交换机的SFP口是一个重要的概念。SFP（Small Form-Factor Pluggable）口，也称为迷你GBIC（Gigabit Interface Converter）。 SFP模块于2001年首次推出，并且在网络领域引起了重大变革。SFP模块的引入取代了以前的GBIC（Gigabit Interface Converter）模块，主要是由于SFP模块的小尺寸和更高的灵活性，使其成为现代网络中的重要组件之一。 SFP是一种热插拔式模块，用于在交换机和其他网络设备之间传输数据。本文将深入探讨千兆交换机的SFP口，涵盖其定义、作用、优势以及在现代网络架构中的重要性。 SFP口的定义和作用​ SFP口是一种规范化的接口，允许用户在不关闭设备的情况下更换网络模块。它设计紧凑，便于安装和更换，是一种标准化的解决方案，用于连接千兆以太网交换机和其他网络设备，如路由器、光纤转换器等。SFP口的主要目的是提供灵活性，使网络管理员能够根据网络需求选择不同类型的SFP模块，以实现不同的传输媒介和速率。 SFP 端口如何工作？​ SFP可以支持多种不同类型 ...

模型的保存与加载PyTorch中的保存（序列化，从内存到硬盘）与反序列化（加载，从硬盘到内存） torch.save主要参数：obj：对象 、f：输出路径 torch.load 主要参数 ：f：文件路径 、map_location：指定存放位置、 cpu or gpu 模型的保存的两种方法： 保存整个Moduletorch.save(net, path) 保存模型参数state_dict = net.state_dict()torch.save(state_dict , path) 模型的训练过程中保存checkpoint = { "net": model.state_dict(), 'optimizer':optimizer.state_dict(), "epoch": epoch } ​ 将网络训练过程中的网络的权重，优化器的权重保存，以及epoch 保存，便于继续训练恢复 ​ 在训练过程中，可以根据自己的需要，每多少代，或者多少epoch保存一次网 ...

[TOC] 模型参数量和计算量是什么 计算量是指网络模型需要计算的运算次数，参数量是指网络模型自带的参数数量多少 计算量对应时间复杂度，参数量对应于空间复杂度 计算量决定了网络执行时间的长短，参数量决定了占用显存的量 为什么要统计模型参数量和计算量 好的网络模型不仅要求精度准，还要要求模型的参数量和计算量不大，才能有利于部署 统计模型的参数量和计算量可以用于不同网络模型之间的对比分析 有的模型虽然参数量相同，但是可能因为连接方式和结构等不同而导致计算量不同 常见的模型参数量和计算量的计算方法​ 卷积层 ​ 其中，K表示核尺寸，$C_l$表示数量第l层通道数 ​ 全连接层$$计算量=参数量=weight_{in}×weight_{out}$$​ 推荐方法3 方法1 torchsummary.summaryfrom torchsummary import summarysummary(net,input_size=(3,224,224)) ------------------------------------------------------------- ...

Introduction to the ACM DatabaseOverview​ The Association for Computing Machinery (ACM) is one of the largest professional academic organizations in the field of computer science and information technology worldwide. ACM aims to advance the development of computer science and provide support and resources for professionals in the field. ​ ACM Database is a key component of the ACM Digital Library, serving as an important academic resource platform. It encompasses a wide range of literature, jour ...

​ SSH（Secure Shell，安全外壳）是一种网络安全协议，通过加密和认证机制实现安全的访问和文件传输等业务。传统远程登录或文件传输方式，例如Telnet、FTP，使用明文传输数据，存在很多的安全隐患。随着人们对网络安全的重视，这些方式已经慢慢不被接受。SSH协议通过对网络数据进行加密和验证，在不安全的网络环境中提供了安全的登录和其他安全网络服务。作为Telnet和其他不安全远程shell协议的安全替代方案，目前SSH协议已经被全世界广泛使用，大多数设备都支持SSH功能。 SSH端口号是什么？​ 当SSH应用于STelnet，SFTP以及SCP时，使用的默认SSH端口都是22。当SSH应用于NETCONF时，可以指定SSH端口是22或者830。SSH端口支持修改，更改后当前所有的连接都会断开，SSH服务器开始侦听新的端口。 SSH是如何工作的？​ SSH由服务器和客户端组成，在整个通信过程中，为建立安全的SSH通道，会经历如下几个阶段： 连接建立：SSH服务器在指定的端口侦听客户端的连接请求，在客户端向服务器发起连接请求后，双方建立一个TCP连接。 版本协商：SSH协议目前存 ...

Reference：https://chenglu.me/blogs/pytorch-jit ​ 如果搜索 PyTorch JIT，找到的将会是「TorchScript」的文档，那么什么是 JIT 呢？JIT 和 TorchScript 又有什么联系？ 什么是 JIT？​ 首先要知道 JIT 是一种概念，全称是 Just In Time Compilation，中文译为「即时编译」，是一种程序优化的方法，一种常见的使用场景是「正则表达式」。例如，在 Python 中使用正则表达式： prog = re.compile(pattern)result = prog.match(string) ​ 或 result = re.match(pattern, string) ​ 上面两个例子都是从 Python 官方文档中摘出来的 ，并且从文档中可知，两种写法从结果上来说是「等价」的。但注意第一种写法种，会先对正则表达式进行 「compile」，然后再进行使用。如果继续阅读 Python 的文档，可以找到下面这段话： using re.compile() and saving the ...

​ 世界上的开源许可证（Open Source License）大概有上百种，今天我们来介绍下几种我们常见的开源协议。大致有GPL、BSD、MIT、Mozilla、Apache和LGPL等。 BSD​ BSD开源协议是一个给于使用者很大自由的协议。基本上使用者可以”为所欲为”，可以自由的使用，修改源代码，也可以将修改后的代码作为开源或者专有软件再发布。 ​ “为所欲为”的前提当你发布使用了BSD协议的代码，需要满足三个条件： 如果再发布的产品中包含源代码，则在源代码中必须带有原来代码中的BSD协议; 如果再发布的只是二进制类库/软件，则需要在类库/软件的文档和版权声明中包含原来代码中的BSD协议; 不可以用开源代码的作者/机构名字和原来产品的名字做市场推广 ​ BSD协议鼓励代码共享，但需要尊重代码作者的著作权。BSD由于允许使用者修改和重新发布代码，也允许使用或在BSD代码上开发商业软件发布和销售，因此是对商业集成很友好的协议，而很多的公司企业在选用开源产品的时候都首选BSD协议。 总结：使用时必须尊重作者的著作权，保持原代码的BSD协议，不 ...

import torch print(torch.cuda.is_available()) # 是否有GPU可用 print(torch.cuda.device_count()) # GPU数量 print(torch.cuda.get_device_name(0)) # gpu名字，设备索引默认从0开始 print(torch.cuda.current_device()) # 当前设备索引 print(torch.cuda.get_device_properties(0)) # gpu属性，设备索引默认从0开始print(torch.cuda.get_device_capability(device=None)) # 获取设备的CUDA能力capability True1'Tesla V100-SXM2-32GB'0_CudaDeviceProperties(name='Tesla V100-SXM2-32GB', major=7, minor=0, total_memory=32501MB, multi_processor_c ...

参数初始化（Weight Initialization）​ PyTorch中参数的默认初始化在各个层的reset_parameters()方法中。例如：nn.Linear和nn.Conv2D，都是在[-limit, limit]之间的均匀分布（Uniform distribution），其中limit是1. / sqrt(fan_in)，fan_in是指参数张量（tensor）的输入单元的数量 ​ pytorch在定义模型时有默认的参数初始化，有时候我们需要自定义参数的初始化，就需要用到torch.nn.init。具体的不同初始化，可以查看pytorch官方文档https://link.zhihu.com/?target=https%3A//pytorch.org/docs/stable/nn.init.html%3Fhighlight%3Dinit ​ 方法一： ​ 1，先定义初始化模型方法; ​ 2，运用apply(). class Net(nn.Module): def __init__(self, in_dim, n_hidden_1, n_hi ...