confusingbird的博客

PRETRAINED_VOCAB_ARCHIVE_MAP = { 'bert-base-uncased': "https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-uncased-vocab.txt", 'bert-large-uncased': "https://s3.amazonaws.com/models.huggingface.co/bert/bert-large-uncased-vocab.txt", .

为什么多次预测结果不一致 检查是否在每次预测前使用 model.eval() 或者是 with torch.no_grad(): for ... 检查是否取消了所有的dropout 设置随机种子 def setup_seed(seed): np.random.seed(seed) random.seed(seed) torch.manual_seed(seed) #cpu torch.cuda.manual_seed_all(seed) #并行gp

Netron可视化PyTroch模型 一、简介   Netron是微软lutzroeder开源的一款软件，是一种神经网络，深度学习和机器学习模型的可视化工具。目前实验性支持pytorch。 二、可视化步骤 2.1 将PyTorch模型转为ONNX模型 import torch from FeatherNet import FeatherNetB model = FeatherNetB() d = torch.rand(1, 3, 224, 224) o = model(d) onnx_path = "./o

Netron研究 一、简介   Netron是微软lutzroeder开源的一款软件，是一种神经网络，深度学习和机器学习模型的可视化工具。   Netron支持部分主流深度学习框架的模型，如下所示： ONNX (.onnx, .pb, .pbtxt) Keras (.h5, .keras) Core ML (.mlmodel) Caffe (.caffemodel, .prototxt) Caffe2 (predict_net.pb) Darknet (.cfg) MXNet (.model, -symb

pytorch 的dataload开辟线程需要消耗时间，但是是我们的数据量太少(每次只有一到两张图片)，开辟线程反而会降低整个流程的性能。解决方案：适当的开辟线程或者不开辟线程，如方法1。或者直接不用dataload方法，如方法2. #方法1： inputs = torch.utils.data.DataLoader( DataLoader('', img_paths, asset...