整理Trainer的目的就是为了在偷懒的同时减少返工的可能，有一个好的trainer可以给我们省出不少喝茶的时间。

文件内数字批量求和 file格式： 1 2 3 4 5 file内所有数字求和 cat file|paste -sd+|bc -s指把所有的字符拼成一行 -d指定拼接符，这里是+ bc求和 切分文本文件并将切分后的文本文件批量重命名 split -l 10 temp.txt -d -a 2 temp_ ls |grep temp_|xargs -n1 -i{} mv {} {}.txt -l：按行分割，表示将temp.txt文件按10行一个文件分割成多个文件 -d: 添加数字后缀 -a 2: 表示

静态图需要先构建再运行，优势是在运行前可以对图结构进行优化，比如常数折叠、算子融合等，可以获得更快的前向运算速度。

GAN的训练调参过程总是很让人头疼，为了让训练过程能够快速收敛，我尝试了很多的训练技巧，这里记录一下我尝试过有用的技巧以及博客中常常提到的技巧。

最近受到b站一个视频的启发，想做一套属于自己的字体，但是又不想写好几千个字，为了偷个懒，调研了一下用神经网络合成字体的算法，最终找到一篇名为W-Net的论文：

很多人脸识别算法都是以分类的方式进行训练的，分类的训练方式中存在一个很大的问题，就是模型的最后一个全连接层的参数量太大了，以512为特征为例：

最近在做知识蒸馏的时候了解到了一些无数据蒸馏算法，在无法获取到原始训练数据（机密数据、隐私数据、数据集太大或者是没有百度云会员下不动数据）的情况下，可以尝试一下这种类型的蒸馏算法，也许有奇效呢。

最近有一个比较火的ocr项目：chineseocr_lite[1]，项目中很贴心地提供了ncnn的模型推理代码，只需要

PyTorch最近版本更新很快，1.2/1.3/1.4几乎是连着出，其中： 1.3/1.4版本主要是新增并完善了PyTorchMobile移动端部署模块和模型量化模块。 而1.2版中一个重要的更新就是把加入了NLP领域中炙手可热的Transformer模型，这里记录一下PyTorch中Transformer模型的用法（代码写于1.2版本，没有在1.3/1.4版本测试）。

最近在研究怎么用C++从头写一个深度学习训练框架，在写自动求导的时候顺手写了个Python版，代码更简单一些，在这里分享给大家。

本文数据来源于Kaggle_Bike_Sharing_Demand。主要内容为模型前期的简要数据分析及可视化。

现在我有一份非常乱的数据，随便从里面读出一列就可以看出来有多乱了，在处理这份数据时，能复习到Pandas中一些平时不太用的功能。

上一阶段的数据分析学习因为工作原因耽误了，今天忙里偷个闲，重新开始了。 @猴子 求个第二关门票。

在pandas的官方文档中对常用的SQL查询语句与pandas的查询语句进行了对比，这里以 @猴子 社群里面的朝阳医院数据为例进行演示，顺便求第四关门票，整体数据结构如下：

Kmeans是一种简单易用的聚类算法，是少有的会出现在深度学习项目中的传统算法，比如人脸搜索项目、物体检测项目（yolov3中用到了Kmeans进行anchors聚类）等。

数据量增大之后，难以通过肉眼观察到分界点，可以采用等间隔分级的方式进行粗暴的分级，但是通常效果不好：

中文名比较好听，叫朴素贝叶斯，英文叫Naive Bayes，Naive是什么意思大家都知道，朴素贝叶斯的朴素就体现在它假设所有的属性（即特征）之间相互独立，这一假设可以表述为：

最初学习数据分析只是出于兴趣，自学了Python。最近才生出转行数据分析的想法，目前已经辞职，准备全身心地投入到学习中。

首先声明，这本书是关于Python3.X的，而且主要讲BeautifulSoup

在训练GAN的过程中，一次只训练一个类别据说有助于模型收敛，但是PyTorch里面没有预设这种数据加载方式，要这样训练的话，需要自己定义Sampler，即自定义数据采样方式。下面是自定义的方法：