ubuntu18.04上保存git密码，在进行git push / git pull 不需要再输入密码：
- git config --global credential.helper store
- 执行后会在.gitconfig文件中添加 [credential] helper = store
- 之后cd到项目目录下,执行git pull，会提示输入账号和密码。输入完这一次就不会再需要输入了。并且会在更目录生成一个.gitpcredentials文件
在ubuntu18.04 上进行可执行文件进行内存分析软件的安装和使用
- sudo apt-get install valgrind (https://alex.dzyoba.com/blog/valgrind/ )
- 使用： valgrind --tool=memcheck seg2 ../model test.jpg 2 1
- 一些blog ： https://blog.csdn.net/breaksoftware/article/details/79445591 https://blog.csdn.net/breaksoftware/article/details/81202015
- pip install massif-visualizer
- valgrind --tool=massif seg2 ../model test.jpg 2 1
问题:在win10系统下删除某文件夹的时候显示 介质受保护 不能删除， 或者是文件的属性是只读，使用下面的方法进行解决。
- Win+R and cmd
- 此时在命令窗口输入： diskpart
- list disk : 查看你需要修改属性的磁盘 例如磁盘后加了一个0 或者1 或者 2 这种。
- select disk 1 （加入需要修改的磁盘后面的数字是1）
- attribute disk clean readonly (解除只读属性)
- attribute disk （查看磁盘的属性）
git clone 大文件的时候出现"git clone The remote end hung up unexpectedly 1.02 GiB"的错误信息 解决方法:
- git clone https://XXXX.git --depth 1
- cd XXXX
- git fetch --unshallow
或者替换clone方式,使用ssh的方式进行clone
牛顿迭代法
牛顿法给出了任意方程求根的数值解法，而最优化问题一般会转换为求函数之间在”赋范线性空间”的距离最小点，所以，利用牛顿法去求解任意目标函数的极值点是个不错的思路。
方程求根
对于一元二次方程，求根其实很简单，只要套用求根公式就行了，但找到一个方程的求根公式（解析解）其实是很困难的，可以证明5次方程以上便没有解析解了，参考维基百科五次方程。其他的复杂方程如偏微分方程求解更是超级困难。好在随着计算机技术的发展，解析解变的不再那么重要（至少是在工程上），取而代之的方法便是数值解法，牛顿法便是众多数值解法中的一个。
数值法求解又叫做数值分析，主要利用逼近的**来使数值解通过迭代计算不断接近解析解，而得出来得解就叫做数值解，在工程上，数值解只要是在精度要求范围内满足方程便是有用的。
算法优缺点分析
牛顿法的优点当然就是提供了一种方程求根的数值解方法。而缺点也有几点：
1.首先算法是要求函数处处可导的，如果对于优化问题还需要导函数连续（因为要求处处存在二阶导数），否则算法就不能计算函数的根了.
2.求出的解可能仅仅是众多解中的一个，这个比较依赖于初始值的选取，比如上面的问题，初始值为2，则收敛到了方程的正数解，要想得到负数解，则需要将初始值选在负数中，现实中的问题，很难去估计解的大小范围.
3.如果初始的估计值与根的距离太远收敛就会变的比较慢.
4.要求每次迭代是得到的切线导数不能为0，如推导过程所示.
5.如果方程本来就没有根，那牛顿法是不能收敛的.
训练模型心得
在使用与训练权重的时候，特别是使用的是在imagenet上的预训练权重的时候，在开始训练其他任务的时候可以现将预训练的权重设置为不可学习（也就是固定预训练权重的参数，pytorch中使用下面的代码可以使得其不能学习），当收敛到平稳后将预训练模型后半部分放开让其可以进行学习，等到再一次平稳后放开所有的参数让其可以学习。同时在最后一次全部参数放开学习的阶段可以让学习率较小。（sgd的学习率可以设置为1e-6,保持不变让其再多跑一段时间。）
for i, p in enumerate(self.parameters()):
p.requires_grad = False
GPU计算相关知识，主要是GPU线层坐标计算相关问题
thread 索引的计算方式
用公式表示：最终的线程Id = blockId * blockSize + threadId
1. blockId ：当前 block 在 grid 中的坐标（可能是1维到3维）
2. blockSize ：block 的大小，描述其中含有多少个 thread
3. threadId ：当前 thread 在 block 中的坐标（同样从1维到3维）
关键点：
1. grid中含有若干个blocks，其中 blocks 的数量由 gridDim.x/y/z 来描述。
某个 block 在此 grid 中的坐标由 blockIdx.x/y/z 描述。
2. blocks 中含有若干个 threads，其中 threads 的数量由 blockDim.x/y/z 来描述。
某个 thread 在此 block 中的坐标由 threadIdx.x/y/z 描述。
1D grid, 1D block 类型的id计算
blockSize = blockDim.x
blockId = blockIdx.x
threadId = threadIdx.x
Id = blockIdx.x * blockDim.x + threadIdx.x
3D grid, 1D block 类型的id计算
blockSize = blockDim.x（一维 block 的大小）
blockId = gridDim.x * gridDim.y * blockIdx.z + gridDim.x * blockIdx.y + blockIdx.x
threadId = threadIdx.x
Id = (gridDim.x * gridDim.y * blockIdx.z + gridDim.x * blockIdx.y + blockIdx.x ) * blockDim.x + threadIdx.x
1D grid, 2D block 类型的id计算
blockSize = blockDim.x * blockDim.y（二维 block 的大小）
blockId = blockIdx.x（一维 grid 中 block id）
threadId = blockDim.x * threadIdx.y + threadIdx.x
Id = blockIdx.x * (blockDim.x * blockDim.y) + blockDim.x * threadIdx.y + threadIdx.x
3D grid, 3D block 类型的id计算
blockSize = blockDim.x * blockDim.y * blockDim.z（三维 block 的大小）
blockId = gridDim.x * gridDim.y * blockIdx.z + gridDim.x * blockIdx.y + blockIdx.x
threadId = blockDim.x * blockDim.y * threadIdx. z + blockDim.x * threadIdx.y + threadIdx.x
Id = (gridDim.x * gridDim.y * blockIdx.z + gridDim.x * blockIdx.y + blockIdx.x) * (blockDim.x * blockDim.y * blockDim.z) + blockDim.x * blockDim.y * threadIdx. z + blockDim.x * threadIdx.y + threadIdx.x
Caffe 框架中都是将数据拉伸为一维，图像坐标计算如下
#define CUDA_KERNEL_LOOP(i, n) \
for (int i = blockIdx.x * blockDim.x + threadIdx.x; i < (n); \
i += blockDim.x * gridDim.x)
Tensorrt CMakeLists 中部分命令解释
add_library(${target_name} ${libtype} IMPORTED) 命令要结合set_property(TARGET ${target_name} PROPERTY IMPORTED_LOCATION ${${lib}_LIB_PATH}) 命令一起使用。作用是为target_name链接依赖库。如果使用IMPORTED_LOCATION关键字的话${lib}_LIB_PATH就需要指定到动态库所在位置。
add_custom_command()：该指令用于添加自定义命令，实现某些操作。比如，编译之前进行一些文件拷贝操作等。
该命令有两种使用方式：
1. 配合add_custom_target使用，该命令生成 add_custom_target 的依赖；
2. 单独使用。在生成目标文件（使用 add_executable() 或 add_library() 命令生成的文件）时自动执行 add_custom_command 指定的命令。
Jetson TX2 替换为CMake3.16
1. sudo apt remove cmake
2. sudo apt purge --auto-remove cmake
3. version=3.13
4. build=3
5. mkdir ~/temp
6. cd ~/temp
7. wget https://cmake.org/files/v$version/cmake-$version.$build.tar.gz
8. tar -xzvf cmake-$version.$build.tar.g
9. cd cmake-$version.$build/
10. sudo apt-get install libssl-dev
11. ./bootstrap
12. make -j4
13. sudo make isntall
14. sudo cp ./bin/cmake /usr/bin/
15. cmake --version
输出结果：
cmake version 3.16.3
CMake suite maintained and supported by Kitware (kitware.com/cmake).
Could NOT find OpenSSL, try to set the path to OpenSSL root folder in the system variable OPENSSL_ROOT_DIR (missing: OPENSSL_LIBRARIES OPENSSL_INCLUDE_DIR)
使用sudo apt-get install libssl-dev命令解决
Jetson TX2 刷机 自从NVIDIA出现JetPack4.2版本之后，安装方式和之前就大不相同，看了前面的几个安装版本之后，感觉新版的好像安装起来更加简洁了，只需要一个SDK就可以，下面来看看详细步骤：
本机使用的是ubuntu18.04.
Step 1. 下载SDK Manager，从英伟达官网下载LINK。下载完成之后是一个.deb文件，安装在一台有Ubuntu的X86架构的电脑就是台式机或者笔记本。 sudo apt install ./xxxxxx.deb | sudo dpkg -i ./xxxxxx.deb
Step 2.
运行sdkmanager,然后登录nvidia账号，运行后选择如下图所示，红色框中是不需要选择的，这个是给本机刷cuda使用的，我们不需要。
Step 3.
然后进入到下载界面，如下如：
最好的是先进行下载，然后再进行安装，也就是上图中的 Download now .Install later 选项先不勾选，等下载后文件后再进行勾选
Step 4.
下载完成后点击Finsh按钮，这时就需要准备jetson tx2设备，需要将本机和jetson tx2链接到同一个路由器，然后给tx2接上键盘、鼠标、屏幕。同时使用刷机线将本机和tx2链接。
Step 5. 在本机上命令行输入lsusb看看输出有没有nvidia corp的字样，此时应该是没有才对。
tx2进入刷机状态操作：
1. tx2通电
2. 按一下power键开机
3. 按下RECOVERY FORCE并保持
4. 接着按一下RESET键
5. 保持按住RECOVERY FORCE键两秒以上并松开
此时tx2已经进入到了刷机状态，在本机（HOST）机上进行验证是否tx2进入了刷机状态，重新在命令行输入lsusb看看输出有没有nvidia corp的字样，有就说明tx2进入了刷机状态。
下面给出一张tx2按钮说明图：
Step 6.
重新打开sdkmanager，然后进行tx刷机操作，在刷机过程过出现下面的提示，此时需要打开tx2链接的屏幕，然后选在next指导看到ubuntu界面，在next的步骤中有一个账号密码的填写，此时需要将填写的密码也填写到下面图中。可以选择自动也可以选择手动。我这边是选择的自动初始化。（注意：一定要在同一个网段下，也就是两台设备同时连接到一个路由器上）
Step 7.
刷机完成的界面如下图：
然后将tx2重新启机，最后在命令行输入nvcc -V ,如果此时见面显示有nvidia驱动存在就表示刷机成功。
-
Step 1. ubuntu18.04 上安装docker
sudo apt-get update sudo apt-get install apt-transport-https ca-certificates curl gnupg lsb-release //添加Docker官方GPG key curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg //设置Docker稳定版仓库 sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" //添加仓库后，更新apt源索引 sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io apt-cache madison docker-ce开启docker服务:sudo service docker start 关闭docker服务:sudo service docker stop 重启docker服务:sudo service docker restart docker状态查看为systemctl status docker.service 查看images: docker images docker ps命令可以查看容器的CONTAINER ID、NAME、IMAGE NAME、端口开启及绑定、容器启动后执行的COMMNAD。最常用的功能是通过ps来找到CONTAINER_ID，以便对特定容器进行操作。 docker ps 默认显示当前正在运行中的container docker ps -a 查看包括已经停止的所有容器 docker ps -l 显示最新启动的一个容器（包括已停止的 docker attach命令对应开发者很有用，可以连接到正在运行的容器，观察容器的运行状况，或与容器的主进程进行交互。 从docker registry server 中下拉image或repository（pull） Usage: docker pull [OPTIONS] NAME[:TAG] eg： docker pull centos 也可以明确指定具体的镜像： docker pull centos:centos6 Docker环境信息 — docker [info|version] 容器生命周期管理 — docker [create|exec|run|start|stop|restart|kill|rm|pause|unpause] 容器操作运维 — docker [ps|inspect|top|attach|wait|export|port|rename|stat] 容器rootfs命令 — docker [commit|cp|diff] 镜像仓库 — docker [login|pull|push|search] 本地镜像管理 — docker [build|images|rmi|tag|save|import|load] 容器资源管理 — docker [volume|network] 系统日志信息 — docker [events|history|logs] -
Step 2. 安装nvidia-docker Link
curl https://get.docker.com | sh sudo systemctl start docker && sudo systemctl enable docker # 设置stable存储库和GPG密钥： distribution=$(. /etc/os-release;echo $ID$VERSION_ID) && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list # 要访问experimental诸如WSL上的CUDA或A100上的新MIG功能之类的功能，您可能需要将experimental分支添加到存储库列表中.# # 可加可不加 curl -s -L https://nvidia.github.io/nvidia-container-runtime/experimental/$distribution/nvidia-container-runtime.list | sudo tee /etc/apt/sources.list.d/nvidia-container-runtime.list # nvidia-docker2更新软件包清单后，安装软件包（和依赖项）： sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo pkill -SIGHUP dockerd # 设置默认运行时后，重新启动Docker守护程序以完成安装： sudo systemctl restart docker sudo docker run --runtime=nvidia --rm nvidia/cuda:11.1-base nvidia-smi修改docker镜像保存数据路径 LINK (1) 首先停止 docker 服务： systemctl stop docker (2) 然后移动整个 /var/lib/docker 目录到目的路径(/data/docker)： mv /var/lib/docker /data/docker (3) 创建软链接 ln -s /data/docker /var/lib/docker Note：命令的意思是 /var/lib/docker 是链接文件名，其作用是当进入/var/lib/docker目录时，实际上是链接进入了 /data/docker 目录 (4) 重启 docker systemctl start docker
-
55
LINK 浏览cvpr-2021相关论文. 持续跟踪...
混淆矩阵的python实现：(pytorch)
# 输入参数
# label (N, H, W)
# pred (N, C, H, W)
# size (H, W)
# num_class int (15)
# ignore int (255)
def get_confusion_matrix(label, pred, size, num_class, ignore=-1):
output = pred.cpu().numpy().transpose(0, 2, 3, 1)
# 将变形后的输出数据进行最大值挑选出来重新组成一个矩阵，shape(N, H, W)
seg_pred = np.asarray(np.argmax(output, axis=3), dtype=np.uint8)
# 标签数据转为矩阵
seg_gt = np.asarray(
label.cpu().numpy()[:, :size[-2], :size[-1]], dtype=np.int)
# 将标签和预测中的忽略数据清除,然后将数据拉伸为***1维***.
ignore_index = seg_gt != ignore
seg_gt = seg_gt[ignore_index] # ignore_index中的数据为False | True
seg_pred = seg_pred[ignore_index]
# 将预测数据根据标签数据进行混淆矩阵的映射，例如将标签数据中的2 和 预测中的3映射到(2 * num_class + 3) 位置上
index = (seg_gt * num_class + seg_pred).astype('int32')
# 统计映射后的数据的bin，就是映射后各个位置上数据的个数情况。
label_count = np.bincount(index)
confusion_matrix = np.zeros((num_class, num_class))
# 根据映射结果将映射到二维矩阵中。
for i_label in range(num_class):
for i_pred in range(num_class):
cur_index = i_label * num_class + i_pred
if cur_index < len(label_count):
confusion_matrix[i_label,
i_pred] = label_count[cur_index]
return confusion_matrix
情形：使用ddrnet23-slim_ocr 进行分割模型训练的时候由于ddrnet网络输出的特征通道较小，后面继续接OCR模块的时候经过实验表明效果不是太好。
下面是一些改进的方法：
1. 将深度聚合金字塔合并模块(DAPPM)和主干网络的特征使用concat替代add操作，增加了ddrnet网络输出特征层的通道。由之前的128变为了256。
2. ddrnet网络结构中存在relu后直接链接relu的情况。同时在主干网络中存在过多的relu激活层。
3. 在DAPPM模块中使用的是BN+RELU_CONV的方式进行前向计算，通常我们使用的是CONV+BN+RELU的方式进行前向计算，通过实验表明，使用前一种方案在训练阶段所占用的显存要比后一种小。（通过对比通道的改变，前一种conv的通道比后一种conv的小。）
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent