通用优化器 SGD | 随机梯度下降 def sgd_cb(p, lr, **kwargs): p.data.add_(-lr, p.grad.data) opt_func = partial(Optimizer, cbs=[sgd_cb]) Momentum | 动量 def average_grad(p, mom, grad_avg=None, **kwargs): if grad_avg is None: grad_avg = torch.zeros_like(p.grad.data) return {'grad_
计算机视觉 vision_learner用于分类任务, unet_learner用于图像生成任务, 自定义学习器的话我觉得直接看代码比较好 class SiameseImage(fastuple): def show(self, ctx=None, **kwargs): img1,img2,same_breed = self if not isinstance(img1, Tensor): if img2.size != img1.size: img2 = img2.resize(img1.size) t1,t2 = tensor(img1),tensor(img2) t1,t2 = t1.permute(2,0,1),t2.permute(
卷积神经网络有这样两个问题 * 我们需要大量的步长为 2 的层来使我们的网格在最后变成 1×1 * 无法在除我们最初训练的尺寸之外的任何尺寸的图像上工作 全卷积网络 | fully convolutional networks def avg_pool(x): return x.mean((2,3)) 前面正常卷积, 剩下的直接求平均 def block(ni, nf): return ConvLayer(ni, nf, stride=2) def get_model(): return nn.Sequential( block(3, 16), block(16, 32), block(32, 64), block(64, 128)
发布种子各站点都有教程, 奈何使用的qb下载器为qbittorrent-nox, 没有直接生成torrent文件的选项, google发现可以使用transmission-cli命令行生成torrent 安装 sudo apt install transmission-cli 生成torrent种子 transmission-create -p -o path/to/example.torrent --tracker tracker_announce_url --piecesize 2048 path/to/file_or_directory * -p: 私有种子,不使用 DHT * -o: 生成 torrent 文件路径 * -t: tracker 地址 * -s: 每个文件块大小(参考下表) 文件大小 文件块大小 0 GB - 0.5 GB
示例网站nezha.nezuko.me 教程官方wiki很详细了,当时在设置里有一项"未接入CDN的面板服务器域名/IP"的地方卡了一下,目前填的就是域名,但是创建子域名的时候是选的A+Dynamic DNS Record 哪吒监控 | 使用文档哪吒监控是一个轻量化的运维工具预览 更改面板主题+测三网延迟需要在设置的"自定义代码（包括 style 和 script）"处添加下面这段代码 <style> /* 屏幕适配 */ @media only screen and (min-width: 1200px) { .ui.container { width: 80% !important; } } @media only screen and (max-width: 767px) { .ui.card&
学校里的课程就是学到卷积学不下去了... 卷积提取的是边缘特征, 关键是卷积核, 改变数值可以提取水平和竖直边缘 top_edge = tensor([[-1,-1,-1], [ 0, 0, 0], [ 1, 1, 1]]).float() PyTorch 可以同时对多张图像应用卷积 PyTorch 可以同时应用多个内核 PyTorch 最拿手的绝招是它能够利用 GPU 并行处理所有这些工作——即，对多个图像在多个通道上应用多个内核。并行处理大量工作对于使 GPU 高效工作至关重要；如果我们一次只执行这些操作中的一个，我们通常会慢几百倍（如果我们使用上一节中的手动卷积循环，我们会慢上百万倍！）。因此，要成为一名强大的深度学习实践者，练习的一项技能是一次给你的 GPU 分配大量的工作。 卷积的计算 这里有一个有趣的见解——卷积可以表示为一种特殊的矩阵乘法 步幅和填充 通过适当的填充，我们可以确保输出激活图与原始图像大小相同，这在构建我们的架构时可以大大简化。 如果我们添加一个大小
fastai
数据集 model1 没什么特别的, 就是输入的三个字符串是一个一个读取的, h记忆 hidden state 在循环神经网络的每一步中更新的激活 class LMModel1(Module): def __init__(self, vocab_sz, n_hidden): self.i_h = nn.Embedding(vocab_sz, n_hidden) self.h_h = nn.Linear(n_hidden, n_hidden) self.h_o = nn.Linear(n_hidden,vocab_sz) def forward(self, x): h
安装go sudo apt update sudo apt install golang-go 安装docker-backup git clone https://github.com/muesli/docker-backup.git cd docker-backup go build 编辑.bashrc, 添加下面变量 alias docker-backup='/root/docker-backup/docker-backup' 刷新 source .bashrc 查看要备份的容器id docker ps 备份一个容器 <container ID>可以换成<container NAME> mkdir docker cd
完全是按照yt上一博主的帖子来的, 没有什么难度 Minimal Debian Bookworm ☯ Daniel Wayne ArmstrongOpen Outer SpaceDaniel Wayne ArmstrongSecure remote access using SSH keys ☯ Daniel Wayne ArmstrongOpen Outer SpaceDaniel Wayne Armstrong 内网穿透用的nps, docker部署 GitHub - ehang-io/nps: 一款轻量级、高性能、功能强大的内网穿透代理服务器。支持tcp、udp、socks5、http等几乎所有流量转发，可用来访问内网网站、本地支付接口调试、ssh访问、远程桌面，内网dns解析、内网socks5代理等等……，并带有功能强大的web管理端。a lightweight, high-performance, powerful intranet penetration
落地鸡正常搭建xui面板 x-ui面板实现Vless+reality+tcp+xtls-rprx-vison代理💡docker部署出现了点问题无法解决,改用FranzKafkaYu的脚本 1. 一键安装 bash <(curl -Ls https://raw.githubusercontent.com/FranzKafkaYu/x-ui/master/install.sh) bash <(curl -Ls https://raw.githubusercontent.com/mhsanaei/3x-ui/master/install.sh) 2. 访问ip:端口,在侧边栏转到设置会自动设置根路径,确实任何信息都可以在vps终端输入x-ui重启脚本按7查看 3. 添加一条入站记录 💡x-ui不是通过docker安装,ip不能填172.17.0.1. 如果出现xray内核error,删除最新用户重新添加可解决 4.
日记
fastai可以做到5行代码训练一个模型, 这也正是它吸引我的地方 from fastai.text.all import * dls = TextDataLoaders.from_folder(untar_data(URLs.IMDB), valid='test') path = untar_data(URLs.IMDB) dls = DataBlock( blocks=(TextBlock.from_folder(path),CategoryBlock), get_y = parent_label, get_items=partial(get_text_files, folders=['train', 'test']), splitter=
此次尝试是基于github上的这个项目, 还没有试过, 祝我好运吧 运行脚本 GitHub - jerry048/Dedicated-SeedboxContribute to jerry048/Dedicated-Seedbox development by creating an account on GitHub.GitHubjerry048💡无语, 我是在nodeseek看到一个问题才想自己试试的, https://www.nodeseek.com/post-80622-1, 帖子里提到要自己安装一系列包, 觉得好麻烦, 然后我呀就按照官网一个个装好了, 运行大佬的一键脚本, 好家伙, 大佬的一键脚本就是一键帮我们安装好这些包的 bash <(wget -qO- https://raw.githubusercontent.com/jerry048/Dedicated-Seedbox/main/Install.sh) -u jerry048 -p 1LDw39VOgors -c
做一个记录,方便理清思路 示例代码复现 我按照fastai的指导,第一步完成训练任务的所有步骤,首先我在fastai论坛里找了一个示例 Emotion Detection from Voice ClipsHey guys ! I trained a neural net to detect emotions from voice clips without relying on the content of the speech.It is able to identify the emotions with an accuracy of 83 %. I converted the sound clips into spectogram
warp / warp-go 一键脚本 f佬的一键脚本必须放最前面 wget -N https://gitlab.com/fscarmen/warp/-/raw/main/menu.sh && bash menu.sh wget -N https://gitlab.com/fscarmen/warp/-/raw/main/warp-go.sh && bash warp-go.sh 太强了, 详细去看gitlab的介绍 fscarmen / warp · GitLabGitLab.comGitLab 融合怪测评脚本 curl -L https://gitlab.com/
fastai
Andrej Karpathy 有一个专栏专门介绍NLP(chat GPT) Neural Networks: Zero to HeroShare your videos with friends, family, and the worldYouTube 在将语言模型转移到分类任务之前，对语言模型进行额外的微调阶段，会导致预测结果显著提高。 文本预处理 我们几乎可以用处理分类变量的方法处理文本, 新的想法是序列的概念. 1. 将数据集中的所有文档连接成一个非常长的字符串 2. 将其分割成单词, 这样我们就得到了一个非常长的单词列表(或"标记") 3. 自变量是我们的长列表中从第一个单词开始到倒数第二个单词结束的单词序列,而因变量将是从第二个单词开始到最后一个单词结束的单词序列 分词 * 基于单词的:将句子按空格分割,并应用特定于语言的规则尝试在无空格的情况下分离意义的部分(例如将"don't"转换为"do n&