数字旗手

——————更新日志—————— 2022.10.5 更新：简化了plugin 简介 vim是一个非常强大的文本编辑器，而Neovim是对原vim的一个分叉，不过最简单的Neovim显得太过朴素，只提供了基本的编辑器功能；然而有赖于它提供了强大的插件系统，可以通过各种插件将其由一个简约的文本编辑器转化为强大的代码开发IDE。 NvChad就是一个Neovim的预配置库，可以使得Neovim开箱即获得各种强大的功能： * NvChad是一个用lua编写的neovim配置，旨在提供一个具有非常漂亮的用户界面和极快的启动时间的基本配置（在基础硬件上约0.02秒至0.07秒）； * 懒加载的机

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