数字旗手

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__(

介绍 pytorch-accelerated是一个轻量级的库，旨在通过提供一个最小但可扩展的训练循环（封装在一个Trainer对象中）来加速PyTorch模型的训练过程；它足够灵活，可以处理大多数用例，并且能够利用不同的硬件选项而不需要修改代码。更多介绍见原作者的博文。 pytorch-accelerated最大的两个特点就是：简单simplicity和透明transparency。怎么理解这两个词呢（个人理解）： （1）简单体现在它是一套可复用的PyTorch的训练代码，每次有新模型和新场景需要训练时不必将原来的代码拷过来拷过去，pytorch-accelerated提供了一套通用但不失灵活

简介 ImJoy有一个很有用的插件或独立应用，叫做Kaibu，它可以展示并标注普通的位图、矢量图及vtk、stl等3D格式的数据。 比如如下展示： 其就是位图（png格式）、矢量图（json格式）、3D模型（stl格式）的一个叠加。 Kaibu主要用了两个JS库，一个是OpenLayers，一个是ITK-VTK，前者用于展示矢量图形、普通位图等数据，且对地图的展示异常强大，后者用于展示在医疗及科学计算中常用的3D图像、网格、点集等。 这一篇主要分析一下Kaibu的运行机理。 从script标签开始，看其运行过程。 导入组件 1 2 import * as layerCompone

参考文献： FastAPI官方文档 中文翻译 （注意，当前2022年5月8日的中文翻译有一些错误） 介绍 FastAPI 是一个用于构建 API 的现代、快速（高性能）的 web 框架，使用 Python 3.6+ 并基于标准的 Python 类型提示。 FastAPI 站在以下巨人的肩膀之上： * Starlette负责 web 部分。 * Pydantic负责数据部分。 安装 1 pip install fastapi 还需要一个 ASGI 服务器，生产环境可以使用Uvicorn或者Hypercorn。 1 pip install uvicorn[standard]

参考文献： Docker 入门教程 Docker —— 从入门到实践 【狂神说Java】Docker最新超详细版教程通俗易懂 为什么要用Docker Docker解决的问题是将软件连带其环境一起安装。 虚拟机与容器 虚拟机 虚拟机（virtual machine）就是带环境安装的一种解决方案。它可以在一种操作系统里面运行另一种操作系统，比如在 Windows 系统里面运行 Linux 系统。应用程序对此毫无感知，因为虚拟机看上去跟真实系统一模一样，而对于底层系统来说，虚拟机就是一个普通文件，不需要了就删掉，对其他部分毫无影响。 虽然用户可以通过虚拟机还原软件的原始环境。但是，这个方案有几个

简介 ImJoy有一个很有用的插件或独立应用，叫做Kaibu，它可以展示普通的位图、矢量图及vtk、stl等3D格式的数据。 比如如下展示： 其就是位图（png格式）、矢量图（json格式）、3D模型（stl格式）的一个叠加。 Kaibu主要用了两个JS库，一个是OpenLayers，一个是ITK-VTK，前者用于展示矢量图形、普通位图等数据，且对地图的展示异常强大，后者用于展示在医疗及科学计算中常用的3D图像、网格、点集等。 这一篇主要介绍OpenLayers的相关知识。 配置环境 从OpenLayers workshop releases里下载最新的资料包。 安装依赖： 1 n

简介 Streamlit的组件Components是一系列第三方的Python模块，其极大地扩展了Streamlit的功能。 Components带来了无穷的想象力和可能性，比如与React、Vue等前端框架联动、创建自定义风格和行为的新部件、以及增加新的可视化图表类型等。 使用组件 查找可用组件 查找组件有两个常用的途径： 一是Component Gallery，这是官方挑选出来的特色组件； 二是Streamlit Components - Community Tracker这个论坛帖子，里面搜集了很多社区成员创建的组件。 安装组件 安装这些组件，只需： 1 pip install

简介 在Streamlit中，与一个部件widget的交互会触发“重新运行”rerun，这样一来每次运行后代码中的变量都会被重新初始化。这可能会带来很麻烦的问题，比如实现一个简单的“累加计数按钮”，每次点击后都会清零，无法实现累加功能。 为了解决类似问题，Streamlit引入了一种新的特性：会话状态Session State，它是一种可以在rerun之间保存变量状态、配合使用回调函数处理部件上的事件、动态改变部件状态等等的功能（注意，这些功能发生在一个session中，一个session可以简单理解为用户通过浏览器的一个标签页来访问Streamlit）。其可以用在如下场景中： （1）数据或图