一、安装Sambasudo apt-get install samba samba-common新建共享目录并设置权限#新建共享目录default
simon@Ubuntu:~$ sudo mkdir /home/wwwroot/default
#用户就对共享目录有了写权限
simon@Ubuntu:~$ sudo chmod 777 /home/wwwroot/default/创建Samba配置
一、learning rate 简述lr全称learning rate（一下简称lr），是机器学习和深度学习中最为重要的超参数之一，会影响模型训练结果的好坏，有时候甚至会直接导致整个模型无法使用。lr最直接的可观测的影响就是loss值的变化，较大的学习率会更容易收敛也更容易出现陷入局部最优解的情况，而过大的学习率会导致loss无法收敛甚至出现nan的情况；较小的学习率更容易找到全局最优解但是los
调参数是深度学习工作中，必不可少的一步。“得参数者，得天下“那么，调参的方法常见的有哪些？小编为您总结一番~01寻找合适的学习率(learning rate)学习率是一个非常非常重要的超参数在面对不同规模、不同batch-size、不同优化方式、不同数据集时，学习率的最合适的值都是不确定的，所以，我们无法光凭经验来准确地确定学习率的值。策略：在训练中不断寻找最合适当前状态的学习率。下图利用fast
做dl也有一段时间了，积累了一些经验，也在网上看到一些别人的经验。 为了面试，结合知乎上面的问答，我也总结了一下，欢迎大家补充。知乎 深度学习调参有哪些技巧？一. 初始化 有人用normal初始化cnn的参数，最后acc只能到70%多，仅仅改成xavier，acc可以到98%。二.从理解CNN网络以产生直觉去调参数的角度考虑，应该使用可视化 可视化（知乎用户 杨军）1.Visualize L
在
深度学习中，有许多不同的深度网络结构，包括卷积
神经网络(CNN或convnet)、长短期记忆网络(LSTM)和生成对抗网络(GAN)等。
在计算机视觉领域，对卷积神经网络(简称为CNN)的研究和应用都取得了显著的成果。CNN网络最初的诞生收到了动物视觉神经机制的启发，目前已成功用于机器视觉等领域中。
技术博客Towards Data Science最近发布了
微调网络架构一个神经网络一般可以分成两块
特征抽取将原始像素变成容易线性分割的特征线性分类器来做分类微调思路—将相同功能的网络及其参数直接进行迁移使用，而并不是通过重新学习，只改变部分层次即可训练是一个目标数据集上的正常训练任务但使用更强的正则化
使用更小的学习率使用更少的数据迭代源数据集远复杂于目标数据，通常微调效果更好重用分类器权重源数据集可能也有目标数据中的部分标号可以使
"Editor$Edit$txbTitle":"这是绕过登录的标题：北京-宏哥"， 以上所述是小编给大家介绍的python接口自动化参数关联接口详解整合，}r2 = s.post(url2， 'XXX') # 填上面抓包内容c.set('.Cnblogs.AspNetCore.Cookies'，希望带小伙伴进一步巩固胜利的果实，那我们想办法将这个参数提取出来就可以了 二、提取参数 1、我们需要的参
文章目录前言一、Ray Tune是什么？二、使用步骤1.安装包2.引入库3.读入数据（与Ray Tune无关）4.构建神经网络模型（与Ray Tune无关）5.模型的训练和测试（与Ray Tune无关）6.构建“Trainable”7.超参搜索总结 前言本文以PyTorch框架构建的卷积网络模型做分类任务为例介绍如何使用Ray Tune进行自动调参，相关代码引自官网文档。一、Ray Tune是什
在机器学习中，模型的参数调整是非常重要的一件事，如果能找到合适的参数，那么模型的泛化能力就会得到很大的提升。但现实是，模型有很多参数，而且这些参数的取值范围也都很大。如果用人工手动去调整，既费时又费力。好在，scikit-learn给我们提供了一个自动调参的解决方案——网格搜索。GridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法适合于小数
cnn调参技巧记录，好的参数不光可以加速模型收敛，而且可以有效的避免很多错误。当然在很多简单任务中可能完全随机的模型初始参数，简单的一些建议学习率以及动量都可以得到一个比较满意的结果，比如单一，简单的降质模型下的图像生成，类别简单少量的一些分类任务等，不好的初始化参数是可以应对简单任务的。但是对于复杂任务就很难了，因为初始化参数选择的不好，导致结果十分不可控。因为不好的初始化参数导致结果很不可靠，
本来windows上传到板子上的速度很慢 增加 socket options = TCP_NODELAY 明显上传下载速度都快了 参考： https://superuser.com/questions/713248/home-file-server-using-samba-slow-read-and-write-speed https://www.samba.org/samba/...
转载
2019-03-05 15:09:00
657阅读
2评论
n_estimators ：
森林中树木的数量，即基评估器(学习器)的数量
默认是100，n_estimators变大，模型更复杂， n_estimators变大，模型更简单；不影响单个模型的复杂度
max_depth ：
树的最大深度，超过最大深度的树枝都会被剪掉
默认最大深度，即最高复杂度，如果减小max_depth，就
会向复杂度降低的方向调整，向图像的左边移动
min_sampl
文章目录1.概述调参2.GridSearchCV调参第一步：学习率和迭代次数第二步：确定max_depth和num_leaves第三步：确定min_data_in_leaf和max_bin in第四步：确定feature_fraction、bagging_fraction、bagging_freq第五步：确定lambda_l1和lambd
转载
2022-02-23 17:15:09
4138阅读
网格搜索，就是假设有n个超参数，每个超参数有m个候选值，复杂度就是O() 随机搜索，n个参数组成n维空间，先随机一个向量x，在以x为球心的超球面上随机选一个点，如果这个点比x更优，就替换掉x
转载
2020-12-30 18:19:00
93阅读
2评论
1. 假设一次训练有10个epoch，可能会出现以下情况：训练好一次模型去测试，测试的准确率为0.92。又去训练一次模型(不是在之前训练模型的基础上，而是单独进行一次训练)，模型训练好去测试，测试准确率为0.93或者0.89。如果我改变一个模型的参数，比如调小dropout的值，可能训练出来的模型去
转载
2017-02-23 13:43:00
238阅读
2评论
数据预处理方式
zero-center ,这个挺常用的.X -= np.mean(X, axis = 0) # zero-centerX /= np.std(X, axis = 0) # normalizePCA whitening,这个用的比较少.
训练技巧
要做梯度归一化,即算出来的梯度除以minibatch sizeclip c(梯度裁剪): 限制最大梯度,其实是value =
转载
2019-11-08 15:38:00
122阅读
2评论
一、Jvm参数设置 1、设置内存参数 java -Xms64m #JVM启动时的初始堆
转载
2021-07-12 09:35:00
245阅读
2评论
一、jmap -heap 命令结果分析（1.8和1.7会有区别） jmap -heap pid Attaching to process ID 3764, please wait... Debugger attached successfully. Server compiler detected. ...
转载
2021-07-24 14:11:00
124阅读
2评论
