网站联系方式修改,广告设计公司的起名,建设网站需要那几部,东莞网页制作与网站设计以文章multi-label learning from single positive为例#xff1b;
手动print打印出你不懂的地方#xff1b;把不会的地方单独拎出来#xff0c;重新创建一个小文件单独运行#xff1b;问神奇的chatgpt#xff0c;github上有个学术型chatgpt可以帮你读懂项目代码#xf…以文章multi-label learning from single positive为例
手动print打印出你不懂的地方把不会的地方单独拎出来重新创建一个小文件单独运行问神奇的chatgptgithub上有个学术型chatgpt可以帮你读懂项目代码
手动print
最笨的方法啦不过还是要知道到底要看哪些东西比如说对于一个函数而言先看输入输出 对于一个变量以tensor为例主要看它的形状那么就这么写print(flabel.shape : {label.shape})打印出来(16, 81)就表示batch size 16, 每一个instance对应有81个class还可以看它其中的值比如想观察其中一个instance对应的数据就这么写print(flabel[0] : {label[0]})打印出来的是每一个instance而言每一个类是真是标记的概率会是一个长度为81的tensor每个值是属于[0, 1]的一个数字
就这样哪里不会点哪里
拎出来
这个就很有技巧了 我一般是用Jupyter Notebook单独创建一个.ipynb程序来写 创建.ipynb文件常常会有问题在Vscode中需要下载相关插件 会遇到问你选择什么kernal一般也就是问你要用conda里哪个环境 还会遇到编译器不知道你的根目录在哪里也就是相对于直接用python train.py运行程序时那个开始目录有可能会出错
相对路径错了记得改用绝对路径
1实在不知道哪里重不重要把前面所有代码都搬过来
属于一脸懵逼的人那就大把大把的复制过来吧把需要的所有变量啊参数啊都准备哈再运行下边的
2知道上文输入这块的是什么也知道下文要输出什么
比如说我想要研究class ds_model(Dataset)那我文件里只写这个class需要什么输入呢是一个Dataset类是从torch里面调出来的那没事了我直接from torch.blabla import Dataset 又比如我想看source_data load_data(data_base, P)到底是啥我跑到load_data函数里看需要一个Dataset类别大手一挥自己继承torch里面的Dataset自己又写了一个新的类别就能运行这个函数了
上面的还属于比较低级的阶段下面可以玩的更高级一点 想一想为什么要输出Dataset因为要获得数据和标签为什么要获得数据和标签因为要算loss怎么算loss把那几个tensor乘几下blabla然后一拍脑袋反手写了几个对应形状的tensor其中数值在[0, 1]之间就把程序调通了还因为数据用的特别简单反而更清楚它在干什么了 当然你不可以转牛角尖说电脑里底层都是用0和1在做运算所以我写一堆0和1 blabla呵呵呵
多在.ipynb鼓捣鼓捣就知道程序到底在干什么了整体看不懂就把局部单独拎出来跑
神奇的chatgpt
学术版chatgpt
你可以问学术版的chatgptfrom github我还没有用因为配置很麻烦
普通的chatgpt
提问也是很有技巧性的首先要描述清楚问题是什么最好要举个例子举例子的效果非常非常非常好 比如最笨的问法是“下面这段话什么意思blabla” 聪明一点是“下面这段话是这个意思吗我觉得可能是blabla” 哦还要提醒他有可能一本正经的胡说八道记得自己去验证
