- 综合排序
- 最热优先
- 最新优先
- 来自专栏素履coder
Leetcode模块训练3
示例 1： 输入：nums = [1,1,2,1,1], k = 3 输出：2 解释：包含 3 个奇数的子数组是 [1,1,2,1] 和 [1,2,1,1] 。 ([[3,0,1,4,2],[5,6,3,2,1],[1,2,0,1,5],[4,1,0,1,7],[1,0,3,0,5]]); numMatrix.sumRegion(2, 1, 4, 3); // _3 := obj.SumRegion(1, 2, 2, 4) fmt.Println(param_1) fmt.Println(param_2) fmt.Println(param_3) } 3 示例 2： 输入：numbers = [2,3,4], target = 6 输出：[1,3] 解释：2 与 4 之和等于目标数 6 。因此 index1 = 1, index2 = 3 。 示例 1： 输入：[1,8,6,2,5,4,8,3,7] 输出：49 解释：图中垂直线代表输入数组 [1,8,6,2,5,4,8,3,7]。
59130编辑于 2023-03-23 - 来自专栏ypw
天梯赛模拟训练【3】
main(){ int n; cin>>n; if(n == 5) cout<<"7"<<endl; else cout<<(n+2)%7<<endl; return 0; } C.7-3 <bits/stdc++.h> using namespace std; bool solve(string s){ if(s[0]-'0' + s[1]-'0' +s[2]-'0' == s[3] > #include<set> #include<queue> #include<stack> #include<vector> using namespace std; #define inf 0x3f3f3f3f
71420发布于 2020-11-12 - 来自专栏罗西的思考
Facebook如何训练超大模型 --- (3)
[源码分析] Facebook如何训练超大模型 --- (3) 目录 [源码分析] Facebook如何训练超大模型 --- (3) 0x00 摘要 0x01 ZeRO-Offload 1.1 设计原则 分布式训练 Parameter Sharding 之 Google Weight Sharding [源码分析] Facebook如何训练超大模型---(1) [源码分析] Facebook如何训练超大模型 ZeRO有三个阶段，分别对应于三种不同的划分：模型状态、优化器状态、梯度和参数的划分，分别为ZeRO-1、ZeRO-2和ZeRO-3。 ZeRO-1只对优化器状态进行分区。 ZeRO-2除了对优化器状态进行分区外，还对梯度进行分区， ZeRO-3对所有模型状态进行分区。 ZeRO-Offload 与ZeRO-2协同工作，因此我们将对其进行进一步讨论。 for memory footprint # 计算modules的每层参数的元素数目之和 # p.numel()作用是获取tensor中一共包含多少个元素，比如 torch.randn(3,3
1.8K21编辑于 2022-11-28 - 来自专栏火星娃统计
mlr3_训练和测试
mlr3_训练和测试 概述 之前的章节中，我们已经建立了task和learner，接下来利用这两个R6对象，建立模型，并使用新的数据集对模型进行评估 建立task和learner 这里使用简单的tsk和 lrn方法建立 task = tsk("sonar") learner = lrn("classif.rpart") 设置训练和测试数据 这里设置的其实是task里面数据的行数目 train_set = 是learner中用来存储训练好的模型 # 可以看到目前是没有模型训练好的 learner$model ## NULL 接下来使用任务来训练learner # 这里使用row_ids选择训练数据 learner 对于回归任务 library("mlr3viz") library("mlr3learners") task = tsk("mtcars") learner = lrn("regr.lm") learner 模型评估 mlr3 自带一系列的评估方法，如 mlr_measures ## <DictionaryMeasure> with 54 stored values ## Keys: classif.acc
1.1K10发布于 2021-02-05 - 来自专栏人人都是极客
3.训练模型之在GPU上训练的环境安装
一般来说我们会在笔记本或者 PC 端编写模型和训练代码，准备一些数据，配置训练之后会在笔记本或者 PC 端做一个简单验证，如果这些代码数据都 OK 的话，然后真正的训练放在计算力更强的的计算机上面执行， 继续训练 前面花了一点时间来配置 GPU 的环境，现在是时候继续我们的训练了。 中的相应项；最后运行训练脚本，这次的输出是这样的： ? 我在运行到 20000 多步的时候终止了学习（大概 6 个多小时），然后将训练目录复制到了本地： ? 一个训练的流程就跑完了，我们配置好了深度学习的软硬件环境，下节课我们开始准备数据，训练自己的模型吧。
3.5K61发布于 2018-03-16 利用darknet yolov3训练yolov3-spp的预训练模型获取方法
yolov3-spp训练过程和yolov3完全一样，只是预训练模型在哪呢，网上都么有找到，可以用下面方法生成 . /darknet partial cfg/yolov3-spp.cfg Yolov3-spp.weight yolov3-spp.conv.15 15 更新说明：利用上面生成预训练模型只有3.6M，应该不行 ，后来文问了下，就用yolov3预训练模型就可以了，然后我就yolov3预训练模型训练测试了一下，发现没有问题，看来用yolov3预训练模型即可。
13310编辑于 2025-07-18- 来自专栏ypw
【队伍训练3】Codeforces Round #661 (Div. 3)
A 签到 #include<bits/stdc++.h> #define ios ios::sync_with_stdio(false);cin.tie(0);cout.tie(0); using namespace std; int a[105]; int main(){ ios int n,t; cin>>t; while(t--){ cin>>n; for(int i=1;i<=n;i++){ cin>>a[i];
41210发布于 2020-09-10 - 来自专栏简书专栏
目标检测第3步-模型训练
image.png 3.解决第3个报错 进行完第2章后，需要在桌面的目标检测文件夹中重新打开cmd。 /p/c1d8f1c76de7 4.解决第4个报错 进行完第3章后，使用第3章中的cmd即可。 从上图中可以看出，模型成功调用显卡，开始训练了。 但是训练经过一段时间后会报错，如下图所示： ? 所以如果读者看到下图中的情况，则说明模型训练很顺利。 ? image.png 6.查看模型训练状况 模型训练稳定地进行后，在桌面的目标检测文件夹中重新打开cmd。 如果读者有Linux的主机，本文作者建议为了工作效率，应该使用Linux主机做模型训练。 3.在测试集的图片中，有的图片目标检测效果不错，下面给出了2张演示图。 ? 预测结果1 ? 预测结果2
2.2K20发布于 2018-12-21 - 来自专栏Python与算法之美
训练模型的3种方法
一般通过nn.Module来构建模型并编写自定义训练循环。 为了更加方便地训练模型，作者编写了仿keras的Pytorch模型接口：torchkeras， 作为Pytorch的高阶API。 构建模型的3种方法(继承nn.Module基类，使用nn.Sequential，辅助应用模型容器) 训练模型的3种方法(脚本风格，函数风格，torchkeras.Model类风格) 使用GPU训练模型( 单GPU训练，多GPU训练) 本篇我们介绍训练模型的3种方法。 pytorch通常需要用户编写自定义训练循环，训练循环的代码风格因人而异。 有3类典型的训练循环代码风格：脚本形式训练循环，函数形式训练循环，类形式训练循环。 下面以minist数据集的分类模型的训练为例，演示这3种训练模型的风格。
1.9K20发布于 2020-07-20 - 来自专栏算法channel
3 张PPT理解如何训练 RNN
昨天推送了 3 种重要的语言模型，感兴趣读者可参考：从 n-gram 到 RNN 做的那些优化改进。 RNN作为一种神经网络模型，它的训练技术依然沿用反向传播方法。下面，通过斯坦福的PPT，详细阐述整个训练求解权重参数 w 的过程。 损失函数选用交叉熵，机器学习的很多算法模型也都会选用交叉熵。 显然，损失函数大小不想受训练语料库的单词数影响，因此计算所有训练单词的交叉熵再求平均即可。 ? ? t 时步，yj为正确单词，yj^为预测单词，V为单词总数， T为训练样本总数，如下图所示，输入单词 the 正确的输出应该为 students，对应 J1 的损失。 ?
49710发布于 2018-07-25 - 来自专栏网络安全攻防
应急响应靶机训练-Web3
基本介绍 本靶机是应急响应靶机训练的WEB系列中的第三个靶场，你需要通过应急分析排查解决一下问题： 攻击者的两个IP地址 攻击者隐藏用户名称 三个攻击者留下的flag 环境构建 下载靶机并使用VMware Workstation打开： 账号密码： 用户:administrator 密码:xj@123456 靶场题目 运行桌面的"解题"程序后会出现如下界面： 题目内容如下： 1.攻击者的两个IP地址 2.攻击者隐藏用户名称 3. nologin"工具： 随后我们上次nologin.php到服务器端并进行访问： 在这里我们直接选择登录，随后在检索查看后台的时候发现第三个flag： 文末小结 本篇文章我们主要介绍了应急响应靶场系列的WEB3，
67500编辑于 2025-01-09 - 来自专栏算法工程师的学习日志
Python基础训练100题-3
程序分析：我认为原文的解法有点扯，没有考虑3个月成熟的问题，人家还是婴儿怎么生孩子？ =month_elder+month_3,month_1,month_2,month_elder+month_3 print('第%d个月共'%(i+1),month_1+month_2+month _3+month_elder,'对兔子') print('其中1月兔：',month_1) print('其中2月兔：',month_2) print('其中3月兔：',month i == one**3+ten**3+hun**3: print(i) 实例014：分解质因数 题目：将一个整数分解质因数。 例如：输入90,打印出90=2*3*3*5。 程序分析：根本不需要判断是否是质数，从2开始向数本身遍历，能整除的肯定是最小的质数。
43410编辑于 2022-07-27 从0开始训练自己的LLM（3）
然后正则化，对模型输出的最终特征进行归一化处理，通过调整输入分布（均值为0，方差为1）加速收敛，提升模型训练稳定性。 但是其中有一个问题还没有解决，那就是如何训练模型，得到模型参数。我们下一章进行分解。
10310编辑于 2026-03-18- 来自专栏Czy‘s Blog
YOLOV3目标检测模型训练实例
YOLOV3目标检测 从零开始学习使用keras-yolov3进行图片的目标检测，比较详细地记录了准备以及训练过程，提供一个信号灯的目标检测模型训练实例，并提供相关代码与训练集。 DEMO测试 YOLO提供了模型以及源码，首先使用YOLO训练好的权重文件进行快速测试，首先下载权重文件 https://pjreddie.com/media/files/yolov3.weights import os import random trainval_percent = 0 train_percent = 1 # 全部划分为训练集，因为yolo3在训练时依旧会划分训练集与测试集，不需要在此划分 接下来修改yolov3.cfg，假如你不需要加载预训练的权重，那么此文件是没有必要修改的，此文件是为生成yolo_weights.h5作配置的，在此文件中搜索yolo，会有三处匹配，都是相同的更改方式， [convolutional] size=1 stride=1 pad=1 filters=18 # 3*(5+len(classes)) # 我训练一种类别 即 3*(5+1) = 18 activation
1.4K10发布于 2020-08-27 - 来自专栏Mac应用教程
Master of Typing 3 - Practice for Mac(打字大师3-手指盲打训练)
打字大师3-盲打实践Mac版是为那些想要学习触摸打字的人创建的。许多现代人几乎每天都坐在电脑前。这就是为什么现在快速打字非常重要。触摸打字是一种不用看键盘就可以使用所有十个手指打字的方法。 图片Master of Typing 3 Practice 版软件功能特征两种模式：学习和测试学习触摸打字提高效率彩色图形便于使用打字大师 - 学习快速有效地打字并节省您的时间。
41840编辑于 2022-09-29 - 来自专栏AI 算法笔记
快速入门PyTorch(3)--训练一个图片分类器和多 GPUs 训练
4.1 训练数据 在训练分类器前，当然需要考虑数据的问题。 数据集中的图片都是 3x32x32。 一些例子如下所示： 4.2 训练图片分类器 训练流程如下： 通过调用 torchvision 加载和归一化 CIFAR10 训练集和测试集； 构建一个卷积神经网络； 定义一个损失函数； 在训练集上训练网络 因为这次接收的是 3 通道的彩色图片。 GPUs Let's use 3 GPUs!
1.4K20发布于 2019-08-16 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 1.1.保存训练日志。 训练日志就是训练的时候输出的那一大堆东西，要总结实验结果，可视化训练日志的关键参数是一个很有效的方式，所以我们来做这个东西。 训练日志会保存在train_yolov3.log里面，日志名字和保存的位置自己定义就是，建议新建一个log文件夹来保存日志，我们后续建立的解析和可视化的代码也放在这个文件夹下面。 解析训练日志。 ，早起已经9点过半，看了训练日志大概loss稳定到0.02左右就不再下降了，于是停止训练了。
2.4K30发布于 2018-12-19 - 来自专栏粽子的深度学习笔记
mmdetectionmmdetection3d多机多卡训练
因为3d检测训练时间太久，所以想要在mmdet3d上开多机，发现加载完标注文件pkl/json之后，卡住了，找到如下报错 其中有个warning ：using best-guess GPU, "| grep v >/dev/null && echo $i ; done; > /dev/null" ) os.environ["NCCL_IB_GID_INDEX"] = "3"
1.6K10编辑于 2022-09-19 - 来自专栏全栈程序员必看
YOLO3训练自己数据（超详细步骤）
subdivisions=16 #训练迭代包含16组，每组4张图片 width=416 height=416 channels=3 momentum=0.9 #滑动平均模型，在训练的过程中不断地对参数求滑动平均 =.3 ignore_thresh = .5 truth_thresh = 1 random=1 #如果显存很小，将random设置为0，关闭多尺度训练 ...... num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=0 六：训练 普通训练： . /darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2,3 如终止训练，权重会保存在backup /darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.backup -gpus 0,1,2,3 七：关于训练时打印的日志详解
89410编辑于 2022-09-07 - 来自专栏罗西的思考
PyTorch 分布式之弹性训练(3)---代理
[源码解析] PyTorch 分布式之弹性训练(3)---代理 目录 [源码解析] PyTorch 分布式之弹性训练(3)---代理 0x00 摘要 0x01 总体背景 1.1 功能分离 1.2 Rendezvous 弹性训练系列文章如下： [源码解析] PyTorch 分布式之弹性训练(1) --- 总体思路 [源码解析] PyTorch 分布式之弹性训练(2)---启动&单节点流程 0x01 总体背景 我们先总述一下 为了实现弹性训练，需要有一个节点/进程之间彼此发现的机制。rendezvous就是这个发现机制或者说同步组件。 Rendezvous 负责集群逻辑，保证节点之间对于""有哪些节点参与训练"达成强一致共识。 Rendezvous 被Torch Distributed Elastic用来收集一个训练job的参与者（节点），这样，参与者们可以商议得到参与者列表和每个参与者的角色，也可以对训练何时开始/恢复做出一致的集体决定
1.5K20编辑于 2021-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号