秀

self.lstm = nn.LSTM(config.embed（300维的输入特征）, config.hidden_size（128个隐藏神经元）, config.num_layers（两层的LSTM）,bidirectional=True（是单向的还是双向的，双向的效果好）, batch_first=True, dropout=config.dropout)加入一些负样本（负采样模型） 顺序的词太多了，需要加乱序的词，作为负样本。基于字做的，在此数据集中有4000+个可能，而词更多，运算量大。

【代码】手写resnet18。

【代码】cifar10实战图像分类。

cross entropy 越小越好，优化起来速度更快，在pytorch中，把softmax和log打包到一起了。logistic是因为加了一个sigmoid函数，将输出预测值映射到【0，1】kl散度，两个分布重合的话，kl散度等于0，因为他们很整齐。有时候使用cross entropy==》 分类问题。softmax解决多分类问题，让大的概率值更大。有时候使用MSE损失函数，拟合。

包含多种丰富任务的开箱即用推理api安装步骤代码框架以及各个目录的含义用法：数据流。

给命令设置超时连接时间 mim install “mmdet>=3.0.0rc6” --default-timeout=6000。配置文件faster_r_cnn_triangle.py会有数据集和路径信息。categories里面有框的类别、点的信息、点的连接的信息。RTMPose精度非常高，比YOLOV8还高，但速度慢。超显存了，调小batch_size 或者调小图片的尺寸。-b代表切换到某个分支，保证分支和作者的教程一致。训练自己的数据集，需要改上面的前三行就行。问题：热力图上的点等间距分布。

先用目标检测算法框出人的位置，再基于单人图像估计每个人的姿态。缺点：人越多，计算量越大，耗时长；整体受限于目标检测器的精度。级联的好处：不仅看到局部信息，还能使得神经网络参考整体信息。先检测出关键点，再基于位置关系或者其他信息聚类成不同的人。使用关键点相似度（OKS）作为评价指标计算。K部图匹配问题，基于亲和度匹配关键点。优点：推理速度与人的数量无关。

openmmlab的作用以及优势介绍

首先安装好Anaconda，使用临时清华源创建自己的环境官方文档的帮助下载安装包，下载对应版本：https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/linux-64/我选择新的版本这里电脑主机只需要有官方nvidia驱动就可以，不用再配置cuda、cudnnconda install --offline pytorch-1.6.0-py3.7_cuda10.2.89_cudnn7.6.5_0.tar.

#!/usr/bin/env python# coding: utf-8# In[11]:get_ipython().run_line_magic('matplotlib', 'inline')import torchimport randomimport numpy as np from IPython import displayfrom matplotlib import pyplot as plt# In[12]:# 数据集data = np.array([[1.