PyTorch/[PyTorch 学习笔记] 1.3 张量操作与线性回归
本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/linear_regression.py
张量的操作
拼接
torch.cat()
1 | torch.cat(tensors, dim=0, out=None) |
功能:将张量按照 dim 维度进行拼接
- tensors: 张量序列
- dim: 要拼接的维度
本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/linear_regression.py
1 | torch.cat(tensors, dim=0, out=None) |
功能:将张量按照 dim 维度进行拼接
本章代码:
Tensor 中文为张量。张量的意思是一个多维数组,它是标量、向量、矩阵的高维扩展。
标量可以称为 0 维张量,向量可以称为 1 维张量,矩阵可以称为 2 维张量,RGB 图像可以表示 3 维张量。你可以把张量看作多维数组。
2017 年 1 月,FAIR(Facebook AI Research)发布了 PyTorch。PyTorch 是在 Torch 基础上用 python 语言重新打造的一款深度学习框架。Torch 是采用 Lua 语言为接口的机器学习框架,但是因为 Lua 语言较为小众,导致 Torch 学习成本高,因此知名度不高。
按照锁的粒度划分,可分为表级锁、行级锁、页级锁 MyISAM 支持表级锁,InnoDB 支持表级锁和行级锁,BDB 支持页级锁(不常见),介于表级锁和行级锁之间。关于页,和数据库底层的存储结构有关,有机会讲一下页。
按照锁级别划分,可分为读锁(共享锁)、写锁(排它锁)
按照加锁方式划分,可分为自动锁、显示锁
按照操作划分,可分为 DML 锁、DDL 锁
当一张表数据量很小,不加索引,直接全表扫描可能会更快
哈希表这种结构适用于只有等值查询的场景 MySQL 有自适应的 hash 索引 有序数组索引只适用于静态存储引擎 大多数的数据库存储却并不使用二叉树,而是使用 B+ 树。
咋一看这个题目有点空,其实能够考研我们对数据库设计的整体把控。首先数据库系统可以分为两层: - Server 层(也就是程序实例),提供获取以及管理数据的方式,还要必要的问题追踪机制。Server 层又可以细分为: - 存储管理:将数据的逻辑关系转换为物理关系 - 缓存机制:优化执行效率 - SQL 解析:
在虚拟机中安装了 CentOS,默认是不能联网的,需要修改一些配置信息才可联网。这里记录一下具体过程。
EV-SegNet: Semantic Segmentation for Event-based Cameras
在 DVS 数据集上研究语义分割有两个挑战:
跳槽中出现的金三银四的说法绝非偶然,这和大多数公司的政策相关 - 许多互联网公司一般会在年初发放年终奖,同时调薪等情况也会在年初确定,对于在原公司发展不顺利的人来说,此时跳槽成本较小 - 而另一方面,公司会增加员工名额,弥补劳动力缺口。此时招聘市场便迎来了高峰。
我们经常需要在 Linux 服务器上执行一些耗时比较长的操作,比如深度学习的模型训练。但是我们平时在 Linux 上运行的程序可能需要和用户进行交互,例如允许让用户输入,然后输出结果也打印到交互命令行上。这种方式比较适合运行一些简单的命令。但这种模式的缺点是,一旦当前的交互命令行退出,程序就停止运行了。这就要求我们在与服务器断开连接之后,依然能够在 Linux 后台运行脚本。这里先给出一个比较完美的写法。