Yunfeng's Simple Blog

命令
shift-v： 选择一整行

*：向下搜索光标所在的词
#：向上搜索光标所在的词

w: 移动到下一个单词
b: 移动到上一个单词
F: 搜索当前行光标前的字母
<n>G: 移动到第n行行首
ctrl-e: 屏幕向下移动，效果同j

dgg: 删除文档开头到当前行的内容
dG: 删除当前行到文档末尾的内容
ggdG: 删除文档所有内容

dip: 删除当前行所在段落(到下一个空行)

在Pytorch里面使用交叉熵loss函数的时候，发现结果最是比较差，通过搜索才发现这样一段话：

You should pass raw logits to nn.CrossEntropyLoss, since the function itself applies F.log_softmax and nn.NLLLoss() on the input.

也就是用交叉熵损失的时候，不能在网络的最后用 log_softmax 或者 Softmax层，因为交叉熵损失相当与是 log_softmax + NLLLos的组合。

如果网络最后用了Softmax层的话，需要使用 NLLLoss 或者 MSE loss。

参考:

1. https://discuss.pytorch.org/t/logsoftmax-vs-softmax/21386/9

这里列出了我平时关注的一些技术博客列表，希望给看到这个页面的你一些新的知识来源：

1. https://ruanyifeng.com/ 阮一峰的网络日志，应该不需要我介绍他是谁了吧
2. https://ring0.me/ 科大师兄的网站
3. http://blog.devtang.com/
4. https://www.yejianye.com/
5. https://ewind.us/
6. https://www.barretlee.com/entry/
7. https://www.hahack.com/

另外发现，最近大家不怎么更新自己的博客了，至于为什么，我想了几个可能的原因。

一个是缺少来自用户的反馈，或者激励。大部分博客，来自读者的反馈少，不像知乎，微信公众号，有方便及时的用户反馈和激励（点赞，在看，收藏)，反馈少对作者写作的积极性应该还是很有很大影响的。

另一个是写博客还是有一定成本的。自己搭建的博客，需要自己维护环境，不像公众号和知乎，打开网页就能写，实时保存草稿。

在中文互联网越来越碎片化和圈地化的今天，希望独立的技术博客能给我们带来新的思路，新的启发，新的激动人心的东西。

概述

最近在学习Libtorch——即Pytorch的C++版本，需要使用 Pytorch 导出的 tensor 以便对模型进行 debug。下面是转换代码，总体原理是将 tensor 转换为二进制数据，再在 C++ 里面读入。

概述

doctest 是 python 系统库中用于交互式会话例子测试的工具，用于搜索以 >>> 开头的语句，并且将其作为Python命令，对结果进行测试。

这个工具可以方便地用于检测自己写的库是否有bug，例如某些函数功能可能发生改变，借此工具可以方便地对代码中的示例语句进行测试。

C++17标准库里面引入了轻量级的只读字符串表示类型string_view，用来替代const char* 和const string&，在传入函数的时候减小内存开销(因为string_view类只包含字符串的指针和字符串的长度值，开销小于string类型)。

0. 概述

Python有各种各样的系统包和第三方开发的包，让我们的开发变得异常容易。不过也引入了一个问题，不同代码需要的包版本可能是不一样的，所以常常回出现这种情况，为了代码B修改了依赖包的版本，代码B能work了，之前使用的代码A就没法正常工作了。因此常常需要对不同的代码设置不同的Python虚拟环境。venv是Python自带的虚拟环境管理工具，使用很方便，这里简单记录一下使用方法。

2020流水记录

新的一年又开始了，记录一下2020年发生的一些事情，作为对这不平凡的一年的简单的回顾。

1月14日，农历腊月二十，我和彤彤在我家结婚了，作为主人翁参与其中，是一种很神奇却很美好的感觉，结婚的大小事情都是爸妈和村里的亲戚邻居一起来做的，很感谢爸妈亲戚邻居们的付出，让寒冬里面的腊月二十热闹而温暖。

关于结婚几天发生的事情，我写了一些流水账记录，不过后面没有完全写完，等有空了再回忆回忆，完全写完再发出来吧，也算是给自己一个交代。

总之非常感谢所有人的帮助和支持。

NumPy提供了很多开箱即用的函数，用处非常大，所以写C++的时候，让人无比怀念，要是有一个替代版本，就太好了。最近搜索发现， NumCpp 这是我想要的，而且因为是 Header-only的库，因此使用时不需要编译，直接添加到头文件包含目录即可，使用很方便。不过NumCpp使用了boost库，需要进行一些下载和配置，这里记录一下。

概述

1. detectron2 大部分代码都需要GPU
2. detectron2 主要是用于检测和分割的代码框架，像分类这种任务的代码暂时没有
3. 官方示例有一些是基于Colab的，需要科学上网才能访问

   安装依赖

   1 2 3 4 5

   sudo pip install -U torch==1.4+cu100 torchvision==0.5+cu100 -f https://download.pytorch.org/whl/torch_stable.html sudo pip install cython pyyaml==5.1 --ingnore-installed # 安装 cocoapi sudo pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI'

   其中cocoapi 需要从GitHub下载代码，如果安装太慢，可以先clone下代码，再进PythonAPI子目录，运行setup.py安装:

   1 2 3

   git clone https://github.com/cocodataset/cocoapi.git cd cocoapi/PythonAPI sudo python3 setup.py install

安装 detectron2

这里直接安装编译好的二进制文件。

1

sudo pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu100/index.html

如果文件下载太慢或者超时，可以手动在浏览器里面下载好文件，再用下面的命令安装（假设下载的whl文件是xxx.whl):

1

sudo pip install xxx.whl

安装完后，打开 Python 命令行，执行下面的命令，如果不报错，说明安装成功：

1

import detectron2

测试

为了测试，需要下载 detectron2 的源代码，基于 demo/demo.py 进行简单的测试：

1
2

git clone https://github.com/facebookresearch/detectron2
python3  detectron2/demo/demo.py --config-file detectron2/configs/COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml --input ~/test.jpg --opts MODEL.WEIGHTS  detectron2://COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x/137849600/model_final_f10217.pkl

注意上述代码需要在 detectron2 的 git 仓库外面执行，否则会报错。
测试时输入支持单张图片、多张图片、单个图片文件夹、网络摄像头以及视频文件，每种情况参数设置如下：

1
2
3
4
5
6
7
8
9
10

# 单张图片
--input test.jpg
# 多张图片
--input test1.jpg test2.jpg test3.jpg
# 单个图片文件夹
--input imgs/*.jpg
# 网络摄像头
--webcame
# 视频文件
--video-input test.mp4

``–opts MODEL.WEIGHTS表示测试用的模型参数，可以是一个本地目录，也可以是一个detectron2://`开头的一个模型路径，这时会先下载模型到本地再测试:

1
2
3
4

# 使用本地的模型参数
--opts MODEL.WEIGHTS ./model_final_f10217.pkl
# 使用网络模型地址
--opts MODEL.WEIGHTS ./model_final_f10217.pkl

模型的名字可以在 Model Zoo 查看。

训练

训练代码参考 tools/train_net.py，目前Detection看。

一些代码分析

1. DefaultTrainer 是针对目前常用的Detection设置而写的一个类，为了不用修改太多就直接复现最佳结果。但另一方面，由于有比较多的假设情况，因此通用性有所降低
2. SimpleTrainer 是 DefaultTrainer 的父类，限制条件更少，对于做新的研究任务，作者推荐继承 SimpleTrainer 来修改
3. 代码支持多机多卡多进程，基于 Pytorch 的多级多卡代码写了一些wrapper
4. 代码注释很完善，而且其中很多是给用户怎么基于现在代码进行修改来跑新的网络、做新的任务，有些地方说的很细致，这一点很棒

一些资源

1. 文档
2. Git 仓库