数字旗手

简介 一般来说，购买云服务器的用途是将其作为服务，比如构建web网站、博客、小程序、API服务等。这些场景都不需要服务器操作系统的图形界面，直接将相应的服务部署在云服务器上即可；而当前遇到的一个问题是：仍然需要通过云服务器来提供服务（即提供API接口），但背后的算法却依赖一个图形界面的桌面端软件。 默认的云服务器只有终端命令行操作，这是为了轻便和资源的高利用率，因此需要在购买的云服务器上安装操作系统的图形界面，以可运行具有图形界面的桌面端软件。 本文就记录通过VNC安装并连接云服务器的图形界面的过程。 配置和价格 配置1（轻量应用服务器）： * 地域和可用性：华北2（北京） * 镜像：

简介 这一篇看看如何将使用FastAPI编写的程序打包成docker镜像。 参考教程见这里。 安装依赖包 一般是使用requirements.txt来管理所依赖的包的名字及版本。 该文件的内容形如： 1 2 3 fastapi>=0.68.0,<0.69.0 pydantic>=1.8.0,<2.0.0 uvicorn>=0.15.0,<0.16.0 可以在程序编写过程中手动指定以上内容。 也可以在代码完成后，使用如下命令自动生成： 1 pip freeze > requirements.txt 有了上述requirements.txt文件后，则可以进行安装： 1 p

简介 首先对pytorch-accelerated的核心类Trainer进行逐行代码的注释理解，然后再以官方的几个例子进行注解说明。 Trainer逐行代码注解 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76

参考文档：0、1、2 简介 PyTorch Image Models (timm)是Ross Wightman创建的深度学习库，是一个大型集合，包括了SOTA计算机视觉模型、神经网络层、实用函数、优化器、调度器、数据加载器、数据增强器以及训练/验证脚本等。 安装 1 pip install timm 示例数据集（可选） 在演示之前，先下载一些流行的数据集作为示范。在这里，Chris Hughes使用了两个数据集： * 牛津大学IIIT宠物数据集，该数据集有37个类别，每个类别大约有200张图片 * Imagenette，这是Imagenet中10个容易分类的类别的一个子集。

简介 Node-RED是一种低代码的将各种硬件设备、API和在线服务连接起来的编程工具，比如将各种传感器（如树莓派上的传感器）、工业控制器（如MQTT、OPC-UA协议）、在线API（比如获取天气情况、发送邮件等）等以图形化拖拽编程的形式进行高效组态。因此，Node-RED广泛地应用在物联网流程和程序开发中。 安装和运行 Node-RED可以运行在多种设备上，比如本地计算机运行、设备上运行（如树莓派、Arduino和Android等），以及在云端运行（比如IBM云、AWS云和微软Azure云等）。 具体可以查看这里。 下面将以本地计算机运行为例，同时最简单的就是使用docker方式进行安装、

简介 当开发了一款web应用后，需要使用服务器将其托管以供用户进行访问。服务器的选择多种多样，可以选择自己搭建服务器，也可以选择如今大火的各种云服务器。 虽说现在云服务器的价格已经非常亲民（尤其是对于新用户的各种优惠政策），但毕竟还是需要真金白银的付出，尤其是考虑自己开发的应用可能只是为了大家尝试的情形下，此时可以选择一些提供免费部署的云平台。 Heroku是一个非常优秀的PaaS(Platform as a Service)云平台，它有如下几个优点： （1）自动软件部署：当软件的代码变动后，通过git进行代码追踪后，就可以自动触发软件的部署交付； （2）无需关心背后的基础设施：因为Herok

简介 这一章将研究pytorch-accelerated的其他API，包括追踪Tracking、运行配置Run Config、微调Fine tuning。 Tracking RunHistory抽象基类 RunHistory抽象基类定义了Trainer运行历史的API： 1 class pytorch_accelerated.tracking.RunHistory （1）获得当前epoch的数值： 1 def current_epoch(self) -> int （2）获得指定指标最近的记录值： 1 def get_latest_metric(self, metric

简介 这一章将研究pytorch-accelerated的调度器API。 PyTorch-accelerated提供了一些调度器的实现，可以在任何PyTorch训练循环中使用。然而，与PyTorch的原生调度器不同——这些原生调度器可以在训练循环的不同点上被调用——所有Pytorch-accelerated调度器都期望在每次优化器更新后被调用。 内置调度器 PyTorch-accelerated内置了一个有状态的余弦退火学习率调度器，基于这篇论文，但没有论文中的restart。 这个调度器与PyTorch的CosineAnnealingLR不同，它提供了增加warmup和cooldown的e

简介 这一章将研究pytorch-accelerated的回调机制。 Callback概览 在Trainer中除了可重写的钩子（即自定义训练器的行为）之外，Trainer还包括一个回调系统。 建议将回调Callbacks用于对训练循环的操作不是很重要的代码中，比如日志，但这个决定由用户根据具体的使用情况进行判断。 注意：回调是按顺序执行的，所以如果一个回调被用来修改状态，比如更新一个指标，用户有责任确保这个回调被放在任何将读取这个状态的回调之前（即为了记录的目的）。 回调是在其相应的钩子之后被调用，例如，on_train_epoch_end回调方法在pytorch_accelerated.t

简介 从这一节开始，详细看一下pytorch-accelerated的API。 本文是对Trainer的API的解析。 Trainer概览 训练器Trainer用来封装特定任务的整个训练循环，将模型、损失函数和优化器结合在一起，并为训练过程的每一步提供执行行为规范。 Trainer的实现是这样的：它提供了训练部分的（可重复的）实现，这些部分在被定义后很少发生变化——比如创建数据加载器，或如何将一批数据送入模型——同时与可能发生变化的部分保持解耦，比如模型、数据集、损失函数和优化器。 1 2 3 4 5 6 7 8 9 class Trainer: def __init__(