以往用 Github 也是差不多这个流程，但是总是忘…… 正常的流程：先 Fork 然后 Clone 到本地，做修改后提交 Commit 再 Push 到自己的仓库，确保没冲突后再发起 Pull Request。 注意：如果要开新的功能，就自己再开新的分支并同步上游代码然后再去改，这个分支相关的 PR 被合并后就可以删掉这个分支了 碰到冲突就会麻烦一些，可以自行 cherrypick 或者根据情况手动解决。

正式开始接触项目开发的第一天就是把项目从公司内网的机器上迁移到阿里云的公网机器上，组长让我写 Dockerfile 和 Docker Compose 开始折腾 CI/CD Pipeline 了。 Dockerfile好写，毕竟上学的时候写过，但是我用 Docker 一般也是以调试为主，很少有需要编排的需求，也就没写过 Docker Compose，所以我就要开始折腾 Docker Compose 相关的内容了。 1. 为什么我们需要 Docker Compose？ 在没有 Compose 之前，如果你想运行一个包含…

转自CSDN,https://blog.csdn.net/qq_39918087/article/details/143957089 一票只知道教怎么装，现在nv都提供runfile了，复制一下指令喝杯水的工夫就装上去了还用你教啊？倒是卸载就没几个人出正经教程的。 1、To remove CUDA Toolkit: 2.检查以下，到/usr/local/ 查看是否还有cuda相关文件夹。

什么是深度学习呢？深度学习是一种以深层计算堆栈为特征的机器学习方法。正是这种计算的深度使得深度学习模型能够分解在最具挑战性的真实世界数据集中发现的复杂和层次化的模式。 凭借其强大和可扩展性，神经网络已成为深度学习的标志性模型。神经网络由神经元组成，每个神经元仅执行简单的计算。神经网络的力量来自于这些神经元能够形成的连接的复杂性。 线性单元 那么让我们从神经网络的根本组件开始：单个神经元。作为一个图示，一个具有一个输入的神经元（或单元）看起来像： 线性单元： 输入是 x 。它与神经元的连接有一个权…

缺失值处理 1) 一个简单的选项：删除包含缺失值的列 最简单的选择是删除包含缺失值的列。 除非被删除列中的大多数值缺失，否则这种方法会使模型丢失大量（潜在有用！）的信息。举一个极端的例子，考虑一个包含10,000行的数据集，其中一列缺少一个条目。这种方法会完全删除该列！ 2) 更好的选择：插补 Imputation 会用一些数字填补缺失值。例如，我们可以沿每一列填充均值。 在大多数情况下，插补的值不会完全正确，但它通常能比完全删除该列得到更准确的模型。 3) 对插补的扩展 插补是标准方法，通常效果良好。然而，插补的…

记录写kaggle练习时记录的东西 最基础的决策树模型 下面是假设： 你的表弟靠房地产投机赚了数百万美元。他因为你对数据科学感兴趣，所以提出和你合伙做生意。他出资，你则提供预测不同房屋价值的模型。 你问表弟过去是如何预测房产价值的，他说只是凭直觉。但进一步询问后发现，他其实是从过去看过的房子中总结出了价格规律，并利用这些规律来预测他正在考虑的新房的价格。 机器学习的工作原理也类似。我们将从一种叫做决策树的模型开始。虽然还有更高级的模型可以给出更准确的预测，但决策树易于理解，并且是数据科学领域一些最佳模型的基础构建模…

第一次遇到技术面，由于我问题没答上来几道并且时间排不开，所以无疾而终…… 这个岗位的背景：会用Linux进行定位和调试，需要用Python+Django技术栈编写一些简单的运维工具。 第一部分：根据简历进行自我介绍 第二部分：技术面试： 1. Python 中什么场景用Django合适？什么时候用FastAPI合适？ Django 适合的场景：​全功能型 Web 应用​需要内置完整功能（如 Admin 后台、ORM、用户认证、模板引擎）。适合内容管理系统（CMS）、电商平台、社交网站等业务逻辑复杂、需要快速原型开发…

这是个很奇怪的需求，但是还是有 当然了，也有移除kali源的

最近在翻一些距离算法并考虑他们的GPU并行化实现，记录一下。 这里从图片转成向量开始，利用opencv配合torchvision，转成tensor还是比较容易的。 这里的to_tensor的大致实现如下： 从熟悉的欧氏距离开始，一个经典的欧氏距离就是两点之间计算，公式如下： 在几何距离和数学建模常见的聚类（例如K-Means）计算相对常用。 对于两个点之间的差异，还有一个常用于网格路径优化的距离就是曼哈顿距离，本身的定义是两个坐标在坐标轴上的绝对值之和。 pytorch的快速实现： 此时就得引入范数的概念了，因为p…

无论是打数模还是单纯的搞机器学习，都需要对最后训练结果进行分析，这时候常用的四个指标：准确率、召回率、精确率、F1分数。 作为指标，一定会涉及几个方面 假设： TP (预测正确)：30个FN (漏检)：10个FP (误认为是)：15个TN (预测正确不是)：45个 这四个指标可以形成一个混淆矩阵： 1️⃣准确率 (Accuracy) 所有预测结果中，预测正确的比例 最直观的指标，但在数据不平衡时表现不佳 2️⃣精确率 (Precision) 模型所有预测为“苹果”的结果中，有多少是真正的苹果公式：是“预测的准不准”…