Tensorboard的示例应用 Tensorboard进行中间特征图可视化： ​ 采用了注册钩子函数，再钩子函数中记录特征图，并将其可视化下来的方案，代码如下： 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849import torchimport torch.nn

TensorBoardX教程(1) TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中。TensorBoard 的主要功能包括： 可视化模型的网络架构 跟踪模型指标，如损失和准确性等 检查机器学习工作流程中权重、偏差和其他组件的直方图 显示非表格数据，包括图像、文本和音频 将高维嵌入投影到低维空间 TensorBoardX的使用： ​

多臂老虎机问题 题目描述： ​ 有一个拥有 KKK 根拉杆的老虎机(multi-armed bandit)，拉动每一根拉杆都对应一个关于奖励的概率分布 R\mathcal{R}R。我们每次拉动其中一根拉杆，就可以从该拉杆对应的奖励概率分布中获得一个奖励 rrr。我们在各根拉杆的奖励概率分布未知的情况下，从头开始尝试，目标是在操作 TTT 次拉杆后获得尽可能高的累积奖励。由于奖励的概率分布是未知

什么是强化学习 ​ 强化学习是机器通过与环境交互来实现目标的一种计算方法。机器和环境的一轮交互是指，机器在环境的一个状态下做一个动作决策，把这个动作作用到环境当中，这个环境发生相应的改变并且将相应的奖励反馈和下一轮状态传回机器（因此强化学习示意图很像RNN网络）。这种交互是迭代进行的，机器的目标是最大化在多轮交互过程中获得的累积奖励的期望。强化学习用智能体（agent）概念来表示做决策的机器。相

MMCV核心组件Hook ​ MM的整个算法过程就像一个黑盒子：给定输入后（配置文件），黑盒子就会吐出算法结果。整个过程封装度非常高，几乎不需要手写什么代码，Hook机制的作用就是在算法执行过程中加入自定义操作呢 Hook就是一种一种触发器，可以在程序预定义的位置执行预定义的函数。MMCV根据算法的生命周期预定义了6个可以插入自定义函数的位点，用户可以在每个位点自由地插入任意数量的函数操作，如下

MMCV核心组件Runner ​ 在2.0.0版本以后，Runnner从mmcv中移至mmengine，大体用法不发生改变，调用方式发生如下改变： 12from mmcv.runner import Runner # < 2.0.0from mmengine.runner import Runner # >= 2.0.0 官方文档提示： 我们希望你在教程中更多地关注整体结构，而非具

MMCV核心组件Config 配置文件读取 配置类提供了统一的接口 Config.fromfile()，来读取和解析配置文件。 合法的配置文件应该定义一系列键值对，这里举几个不同格式配置文件的例子。 Python 格式： 123test_int = 1test_list = [1, 2, 3]test_dict = dict(key1='value1', key2=0.1)

MMCV核心组件Registry ​ 从2.0.0版本开始，config 和 registry 机制移动到了 mmengine 里面，本文是以mmengine模块中的registry讲解的，其实老版本的registry也差不多，调用的时候从mmcv.utils里面调用就行 ​ OpenMMLab 的算法库支持了丰富的算法和数据集，因此实现了很多功能相近的模块。例如 ResNet 和 SE-Res

MMCV核心组件学习FileClient FileClient源码分析： ​ 图片的读取一般包括两个步骤： 给定文件路径，读取文件内容（字节流） 对文件字节内容进行解码 ​ 第2步文件解码非常简单，通过 mmcv.imfrombytes 函数即可实现，该函数会对不同图片格式进行相应解码。用户各种各样需求基本上都出现在第一步，例如： 给定图片名（或者图片路径），直接读取文件内容即可 利用

编程方式对比与面向接口编程介绍 面向对象编程 (OOP) 面向对象编程强调使用类和对象来封装数据和行为。在OOP中，对象是数据和操作这些数据的方法的集合。 123456789101112131415class Car: def __init__(self, brand, model): self.brand = brand self.model = model