Deepwave 为 PyTorch 提供了波传播模块，适用于地震成像、地震反演等应用场景。repo地址：https://github.com/ar4/deepwave 在昇腾NPU jupyterbook中安装使用时报错如下：$ pip install deepwave >>> import deepwave Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/home/ma-user/anaconda3/envs/PyTorch-2.1.0/lib/python3.10/site-packages/deepwave/__init__.py", line 25, in <module> dll_cpu = ctypes.CDLL( File "/home/ma-user/anaconda3/envs/PyTorch-2.1.0/lib/python3.10/ctypes/__init__.py", line 374, in __init__ self._handle = _dlopen(self._name, mode) OSError: /home/ma-user/anaconda3/envs/PyTorch-2.1.0/lib/python3.10/site-packages/deepwave/libdeepwave_cpu_linux_x86_64.so: cannot open shared object file: No such file or directory (PyTorch-2.1.0) [ma-user 057]$ls /home/ma-user/anaconda3/envs/PyTorch-2.1.0/lib/python3.10/site-packages/deepwave/lib libdeepwave_cpu_linux_x86_64.so libdeepwave_cpu_macos_x86_64.dylib libdeepwave_cuda_linux_x86_64.so libgomp.so.1 libdeepwave_cpu_macos_arm64.dylib libdeepwave_cpu_windows_x86_64.dll libdeepwave_cuda_windows_x86_64.dll libiomp5md.dllEuler系统是aarch64架构，如何支持该模块运行？

​一、技术定位与核心优势JupyterLab 是下一代交互式计算开发环境，2025年发布的4.0版本新增以下特性：多语言内核支持：Python/R/Julia/JavaScript一键切换实时协作功能：类似Google Docs的多人协同编码AI辅助编程：集成GPT-5代码补全与错误诊断可视化调试器：支持变量追踪与执行流可视化二、跨平台安装方案1. 系统兼容性矩阵平台最低要求推荐环境Windows10 21H2WSL2 + Ubuntu 22.04macOSMonterey 12.3+M2芯片+16GB内存LinuxKernel 5.15+Docker容器化部署2. 前置依赖管理Python环境：建议使用pyenv管理多版本# 安装Python 3.12（当前LTS版本） pyenv install 3.12.4 pyenv global 3.12.4虚拟环境：创建独立沙盒避免依赖冲突python -m venv ~/.jupyterenv source ~/.jupyterenv/bin/activate三、安装流程详解（以Windows为例）步骤1：通过pip安装核心组件pip install jupyterlab==4.0.0 \ jupyterlab-lsp \ # 语言服务器协议支持 jupyterlab-git \ # 版本控制集成 jupyterlab-ai \ # AI辅助扩展 jupyterlab-vim \ # Vim键位绑定 jupyterlab-drawio # 流程图绘制工具步骤2：配置优化（修改~/.jupyter/jupyter_lab_config.py ）c.ServerApp.root_dir = '/mnt/d/JupyterProjects' # 项目存储路径 c.LabApp.collaborative = True # 启用实时协作 c.AICodeCompletion.model = 'gpt-5-turbo' # 指定AI模型步骤3：启动服务并访问jupyter lab --port 8888 --no-browser 浏览器打开 http://localhost:8888 并输入token认证四、高阶功能配置1. GPU加速支持（需NVIDIA显卡）pip install cupy-cuda12x jupyterlab-cuda-dashboard nvidia-smi --jupyter-integration2. 数据库直连扩展安装PostgreSQL内核并配置连接池：# 在notebook中执行 !pip install jupyterlab-sql %load_ext sql %sql postgresql://user:password@localhost/mydb3. 三维可视化集成import ipyvolume as ipv ipv.quickvolshow(np.random.rand(128,128,128))五、典型应用场景案例1：机器学习全流程开发# 数据加载 -> 特征工程 -> 模型训练 -> 可视化评估 import polars as pl from sklearn.inspection import DecisionBoundaryDisplay df = pl.read_parquet("data.parquet") display(DecisionBoundaryDisplay.from_estimator(model, X, alpha=0.5))案例2：交互式地理数据分析import geemap Map = geemap.Map(center=(40, -100), zoom=4) Map.add_basemap('SATELLITE') Map六、故障排查指南Q1：内核启动失败检查虚拟环境激活状态重装ipykernel：pip install --force-reinstall ipykernelQ2：AI辅助无响应确认API密钥设置：jupyter lab --AIToken=sk-xxxx切换备用模型：c.AICodeCompletion.fallback_model = 'claude-3'Q3：扩展安装冲突使用conda/mamba解决依赖：mamba install -c conda-forge jupyterlab=4.0.0七、效能提升技巧快捷键自定义：通过Settings > Keyboard Shortcuts绑定常用操作主题优化：安装jupyterlab-material-night提升暗色模式体验预加载内核：在配置中启用c.KernelManager.autorestart = True八、延伸学习路径Jupyter官方文档声明：本教程使用JupyterLab 4.0版本制作，原创内容转载请注明来源。

进入活动链接：https://pangu.huaweicloud.com/gallery/asset-detail.html?id=c1cf0774-59ce-44fc-a4a8-8fcf026d2fec1、切换规格为64GB的限时免费规格2、点击执行3、然后执行：4、继续执行5、切换python版本，这个很重要！！！！，6、安装和启动运行7、最后生成了一个链接：Running on public URL: https://0dfb450b322dd89a40.gradio.live8、点击该URL，就可以开始使用了角色：man  活动： play basketball，选择风格类型使用效果1，这个是“线条艺术”这个是“油画”效果这个是“日本动画”风格该模型部署起来很方便，模型很强大，伙伴们可以多多探索，多少挖掘

本地Anaconda使用pip install jupyterlab后使用jupyter-lab打开窗口创建Terminal出现错误Launcher Error、Unhandled error、Dismiss解决方案通过查询Anaconda窗口信息发现报错如下：Traceback (most recent call last):      File "e:\anaconda3\envs\pytorch1.6.0\lib\site-packages\tornado\web.py", line 1702, in _execute        result = method(*self.path_args, **self.path_kwargs)      File "e:\anaconda3\envs\pytorch1.6.0\lib\site-packages\tornado\web.py", line 3173, in wrapper        return method(self, *args, **kwargs)      File "e:\anaconda3\envs\pytorch1.6.0\lib\site-packages\jupyter_server\terminal\api_handlers.py", line 26, in post        name, _ = self.terminal_manager.new_named_terminal(**data)      File "e:\anaconda3\envs\pytorch1.6.0\lib\site-packages\terminado\management.py", line 319, in new_named_terminal        term = self.new_terminal(**kwargs)      File "e:\anaconda3\envs\pytorch1.6.0\lib\site-packages\terminado\management.py", line 171, in new_terminal        pty = PtyProcessUnicode.spawn(argv, env=env, cwd=options.get('cwd', None))      File "e:\anaconda3\envs\pytorch1.6.0\lib\site-packages\winpty\ptyprocess.py", line 89, in spawn        'executable: %s.' % command    FileNotFoundError: The command was not found or was not executable: powershell.exe.可以发现报错的原因是JupyterLab在创建Ternimal时无法定位到PowerShell。为此，我通过CMD启用PowerShell仍然失败，如下所示：因此怀疑时是环境变量中缺少`PowerShell`路径，因此我找到`PowerShell`路径并添加至环境变量，如下所示完成后在CMD中输入PowerShell即可进入PowerShell模式此时打开Anaconda启动JupyterLab，即可正常启动Terminal，如下所示：总结如果在Win10平台使用JupyterLab无法正常启动Terminal且报错为FileNotFoundError: The command was not found or was not executable: powershell.exe.，只需要在环境变量中添加PowerShell路径

创建的checkpoints文件夹打不开

 1.扩散模型和分数匹配模型的资源和论文的汇总 https://github.com/heejkoo/Awesome-Diffusion-Models 是一个github网站  2. 三篇经典论文 《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》 2015年 扩散模型起源  《Denoising Diffusion Probabilistic Models》 2020年 扩散模型兴起 https://github.com/lucidrains/denoising-diffusion-pytorch 对应pytorch实现  《Improved Denoising Diffusion Probabilistic Models》 2021年 第二篇论文的改进 https://github.com/openai/improved-diffusion 对应pytorch实现  3.看过的扩散模型博客 The recent rise of diffusion-based models 可以了解到扩散模型近年比较经典的应用 Introduction to Diffusion Models for Machine Learning 从中可以了解到一个实现扩散模型的库denoising_diffusion_pytorch，博客中有使用案例 What are Diffusion Models? 也是扩散模型的一个理论介绍博客，推导挺详细的 Diffusion Models as a kind of VAE 探究了VAE和扩散模型的联系 The Annotated Diffusion Model 扩散模型理论和代码实现，代码我进行理解加了注释与理论对应，方便大家理解 An introduction to Diffusion Probabilistic Models 也是一个介绍性博客，公式也很工整 4. 看过的一个B站视频 54、Diffusion Model扩散模型理论与完整PyTorch代码详细解读 我是看过其他资料后才看的这个视频，所以一遍都能全看懂，不知道初看怎么样  代码我也进行理解加了注释与理论对应，方便大家理解  5.未看过的扩散模型博客 https://jmtomczak.github.io/blog/10/10_ddgms_lvm_p2.html 扩散模型理论和代码实现 Generative Modeling by Estimating Gradients of the Data Distribution 其他相关资料 机器学习-白板推导系列(十二)-变分推断（Variational Inference） 知道Lvlb等概念是什么(B站视频) 【学习笔记】生成模型——变分自编码器 理解VAE(博客) 【机器学习】白板推导系列(三十二) ～ 变分自编码器(VAE) 理解VAE(B站视频) https://github.com/labmlai/annotated_deep_learning_paper_implementations 有很多深度学习算法的实现 The Annotated Transformer transformer的pytorch实现的一个解释博客 positional_encoding的一个实现案例 github代码 强烈推荐！台大李宏毅自注意力机制和Transformer详解！ B站视频 《Attention Is All You Need》 transformer和注意力机制原论文 Transformer论文逐段精读【论文精读】 64 注意力机制【动手学深度学习v2】 我根据官方资料整理了jupyter代码实现文件，可从头到尾直接运行 Reparameterization Trick 白板推导变分推断后两节也有提到 isotropic Gaussian distribution A Recipe for Training Neural Networks 加注释后的jupyter，关注微信公众号“一蓑烟雨晴”即可获取。 ———————————————— 版权声明：本文为CSDN博主「一蓑烟雨晴」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/qq_44941689/article/details/126513283 

Juqyter启动# 进入虚拟环境workon ai# 输入命令jupyter notebook本地notebook的默认URL为：http://localhost:8888Jupyter的三种cell类型：Code(编辑代码，运行后显示代码运行结果)Markdown(编写Markdown文档，运行后输出Markdown格式的文档)Raw NBConvert(普通文本，运行不会输出结果)Jupyter两种模式：编辑模式、命令模式编辑模式(Enter)命令模式下回车Enter或鼠标代码块进入编辑模式可以操作代码或文本，进行剪切 / 复制 / 粘贴等操作命令模式(Esc)按Esc退出编辑，进入命令模式或单击代码块外部可以操作cell单元本身，进行剪切 / 复制 / 粘贴/移动等操作工具栏操作cell快捷键操作cell两种模式都可使用的快捷键Shift+Enter，执行本单元代码，并跳转到下一单元Ctrl+Enter，执行本单元代码，留在本单元命令模式：按Esc或鼠标单击代码块外部进入Y：cell切换到Code模式M：cell切换到Markdown模式A：在当前cell的上面添加cellB：在当前cell的下面添加cell双击D：删除当前cellZ：回退Ctrl+Shift+减号：分隔cell，在光标处L：为当前cell加上行号编辑模式：按Enter或鼠标单击代码块内部进入Ctrl+鼠标单击(Mac:CMD+鼠标单击)：多光标操作Ctrl+Z(Mac:CMD+Z)：回退Ctrl+Y：重做Tab键：代码补全Ctrl(Mac:CMD+/)：注释多行代码

从浏览其打开jupyter notebook后，主界面的Files标签里是一个文件浏览器。可以本机工作目录里的文件，如果是jupyter notebook文档可以直接打开；当然也可以在这里新建或者上传一个文档，选择新建一个python 3文档，则进入notebook文档界面，可以敲入python代码，并修改文档名称。修改并保存文档后，再回到主界面，可以看到在Files标签里面多了一个hello_world.ipynb文件；而在Running标签则多了一个运行中的文档。当新建或者打开一个notebook文档，在主界面Running里面都会有一项对应的记录。在文档界面里面，这后台对应的运行引擎称为kernel。文档操作文档界面又一个菜单栏和工具栏，同时还支持快捷键。实际应用中，推荐使用快捷键。文档界面的菜单里有两个新术语cell（单元）和kernel（内核）。cell的编辑模式与命令模式cell是一个jupyter notebook文档的基本组成单位，一个文档可以有一个或者多个cell。前面的截图中输入的hello world代码地方就是一个cell。cell有两种模式，编辑模式和命令模式。处于编辑模式时，cell中有光标闪烁，并且菜单栏右侧有编辑图标。快捷键esc可从编辑模式变为命令模式；在命令模式下按下enter则切回编辑模式。cell类型cell的类型有代码、Markdown和原始文档几种。混合使用代码cell和Markdown，可以形成一个很好的笔记文档。比如用Markdown来描述设计、算法和代码，其表达能力比Python自带的注释更丰富。在命令模式下，可以用快捷键改变一个cell的类型：快捷键y将一个cell类型变为代码cell快捷键m将一个cell类型变为Markdown混合的notebook示例，前面两个都是Markdown类型的cell，而后面的则是Python代码cell可以通过help()来启动交互式帮助控制台shell命令在代码单元中，可以执行shell命令，shell命令以!开头。magic命令jupyter notebook的代码单元还支持一种以%开头的称为magic的命令。这些命令包括一些内嵌的工具，如测量时间的%timeit，还有一些shell的功能，如Êt等。内核操作可从文档界面的kernel菜单进入。每个jupyter notebook文档在后台都有对应的运行环境，即一个内核。内核主要操作包括重启和关闭。每运行一个cell，内核里都有记录，会保存其状态。

jupyter notebook是一个基于网页的交互式计算环境，它本身支持多种语言的开发，但常用于Python的开发。其优点是交互式强，易于可视化，尤其适用于需要频繁修改、实验的场景，比如数据分析、测试机器学习模型等。另一个优点是它是基于Web的，客户端运行于浏览器，而真正的Python环境（kernel）则运行于服务器。因此可以把计算引擎部署在计算力强大的后台服务器甚至是GPU服务器上，这对于很多深度学习的计算环境是很方便的。jupyter notebook产品的官方主页为https://jupyter.org/。安装与启动anaconda如果安装了anaconda的python发行版，那么jupyter notebook就已经自带了。只需要从anaconda navigator中启动即可。官方python如果安装的是Python官方发行版，则需要自行安装jupyter notebook。安装过程可能会有点慢，因此它需要安装比较多的相关软件包。pip install notebook安装完成后，只需要敲入jupyter-notebook命令即可启动。jupyter-notebook[I 15:16:27.520 NotebookApp] Serving notebooks from local directory: /Users/gran/work_macpro/study/python/jupyter_notebook[I 15:16:27.520 NotebookApp] Jupyter Notebook 6.1.6 is running at:[I 15:16:27.520 NotebookApp] http://localhost:8888/?token=4f1c60188b984ab261fa033d936007d2e49b36b6b3c01261[I 15:16:27.520 NotebookApp]  or http://127.0.0.1:8888/?token=4f1c60188b984ab261fa033d936007d2e49b36b6b3c01261[I 15:16:27.520 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).[C 15:16:27.528 NotebookApp]不论是从anaconda启动，还是手动安装后通过命令行启动，jupyter notebook都会在后台启动一个web服务器，默认端口为8888。在浏览器中访问http://localhost:8888即可使用jupyter notebook。

Jupyter notebook（http://jupyter.org/） 是一种 Web 应用，能让用户将说明文本、数学方程、代码和可视化内容全部组合到一个易于共享的文档中。名字源自Julia、Python 和 R（数据科学的三种开源语言），是一款程序员和科学工作者的编程/文档/笔记/展示软件  .ipynb文件格式是用于计算型叙述的JSON文档格式的正式规范ModelArts 是面向开发者的一站式 AI 平台，为机器学习与深度学习提供海量数据预处理及交互式智能标注、大规模分布式训练、自动化模型生成，及端-边-云模型按需部署能力，帮助用户快速创建和部署模型，管理全周期 AI 工作流。体验活动：在开发环境Console控制台上提供VS Code按钮，通过该入口自动打开VS Code并连接实例。视频指导：cid:link_0活动时间：9月21日-10月31日参与方式：点击报名：cid:link_1根据【体验指导】，学习并完成案例；cid:link_2运行完所有命令后，截图发布到本贴评论区，活动结束后随机抽奖。VS Code一键连接Notebook初体验华为云提供了一键安装方式，非常方便，体验非常棒！

Notebook镜像选择的mindspore1.7.0-cuda10.1-py3.7-ubuntu18.04，资源类型选择GPU，本地是mindspore1.8.1 CPU。本地执行的代码是将mindspore_nlp_application.ipynb中的代码Cell组合在一起的，线上执行的也是mindspore_nlp_application.ipynb。本地执行报错：[mindspore/nn/layer/rnn_cells.py:69] LSTMCell has been changed from 'single LSTM layer' to 'single LSTM cell', if you still need use single LSTM layer, please use `nn.LSTM` instead. Traceback (most recent call last):   File "rnn_sample.py", line 461, in      batch_size=cfg.batch_size)   File "rnn_sample.py", line 425, in __init__     dropout=0.0)   File "rnn_sample.py", line 361, in __init__     dropout=dropout))   File "/usr/local/lib/python3.7/dist-packages/mindspore/nn/layer/rnn_cells.py", line 73, in wrapper     raise ValueError(f"The arguments of `nn.LSTMCell` from old MindSpore version(<1.6) are detected, " ValueError: The arguments of `nn.LSTMCell` from old MindSpore version(<1.6) are detected, if you still need use single LSTM layer, please use `nn.LSTM` instead. Exception ignored in:  Traceback (most recent call last):   File "/usr/local/lib/python3.7/dist-packages/mindspore/nn/cell.py", line 338, in __del__     if self.compile_cache:   File "/usr/local/lib/python3.7/dist-packages/mindspore/nn/cell.py", line 329, in __getattr__     raise AttributeError("The '{}' object has no attribute '{}'.".format(type(self).__name__, name)) AttributeError: The 'LSTMCell' object has no attribute 'compile_cache'.  貌似代码的版本太低造成的。可是Notebook的镜像是mindspore1.7.0，为什么可以执行呢？

PyCharm在python项目开发提供了优秀的代码编辑、调试、远程连接和同步能力，在开发者中广受欢迎，而Ascend的计算设备并不容易获取用来做交互式代码调测。直播视频回顾：cid:link_0活动时间：10月1日-11月30日参与方式：点击报名：cid:link_1根据【案例指导】，学习并完成案例；cid:link_3运行完所有命令后，截图发布到本贴评论区，活动结束后随机抽奖。活动抽奖：1、超过88人体验，随机抽20个幸运观众，送移动电源2、超过288人体验，随机抽60个幸运观众，送移动电源 / 体脂秤。（总共40本移动电源、20个体脂秤）活动已结束，参与人数未达到活动抽奖要求，不给予抽奖 活动规则  1）请务必使用个人账号参与活动（IAM、企业账号等账号参与无效）； 2）所有获得华为奖项的获奖用户，请于获奖后3日内完成实名认证，否则视为放弃奖励； 3）本次活动如一个实名认证对应多个账号，只有一个账号可领取奖励；一个实名认证账号只能对应一个收件人，如同一账号填写多个不同收件人或不同账号填写同一收件人，均不予发放奖励； 4）为保证您顺利领取活动奖品，请您提前填写奖品收货信息，如您没有填写，视为放弃奖励【点击此处填写信息】。活动获奖信息填写时间截止2022年12月15日，如未填写视为弃奖，请知； 5）本次活动，实物奖品预计于2022年12月30日前完成发放，发放时间根据实际情况动态调整，如有延期敬请见谅； 6）本次活动幸运奖将采用巨公摇号平台（https://www.jugong.wang/random-portal/）进行抽取，如您对评奖方式有异议，请勿参加本次活动； 7）其他事宜请参考【华为云社区常规活动规则】，本活动最终解释权归华为云所有。https://bbs.huaweicloud.com/forum/thread-5766-1-1.html 

       我参加的是第二届长三角青少年人工智能奥林匹克挑战赛主赛道—AI算法擂台。比赛要求是要分类遥感土地图像，然后我后面用了模块训练成功之后，按照比赛要求进行了提交，结果分数竟然是0！？我是用tensorflow的AI引擎和inception-v2和RESNET结合进行的训练，训练一切正常，可是最后评分是0.0分。哪位大神帮帮我！

背景近期通过 MindSpore ModelZoo 的 yolov3_darknet53 案例训练模型遇到精度非常不理想的问题。首先我们 通过 ModelArts 标注的数据集，然后在 Notebook 中通过脚本转换成 coco 格式的，接着使用 ModelArts NoteBook 的 MindSpore 1.5.1 的环境进行训练。 训练日志如下：2022-08-24 02:17:42,647:INFO:epoch[0], iter[0], loss:7896.102539, 0.28 imgs/sec, lr:4.032257947983453e-06, per step time:1134.0825939178467ms 2022-08-24 02:18:16,604:INFO:epoch[1], iter[100], loss:163.221744, 94.24 imgs/sec, lr:0.00040725807775743306, per step time:339.54986572265625ms 2022-08-24 02:18:53,264:INFO:epoch[3], iter[200], loss:10.058862, 87.29 imgs/sec, lr:0.0008104838780127466, per step time:366.58549070358276ms 2022-08-24 02:19:26,663:INFO:epoch[4], iter[300], loss:8.473988, 95.81 imgs/sec, lr:0.0009996144799515605, per step time:333.9850687980652ms 2022-08-24 02:20:01,207:INFO:epoch[6], iter[400], loss:7.725496, 92.64 imgs/sec, lr:0.0009991327533498406, per step time:345.4155921936035ms 2022-08-24 02:20:39,348:INFO:epoch[8], iter[500], loss:6.846885, 83.90 imgs/sec, lr:0.0009984587086364627, per step time:381.3995862007141ms 2022-08-24 02:21:12,186:INFO:epoch[9], iter[600], loss:6.242008, 97.45 imgs/sec, lr:0.000998049508780241, per step time:328.3690071105957ms 2022-08-24 02:21:50,018:INFO:epoch[11], iter[700], loss:6.043503, 84.59 imgs/sec, lr:0.0009970872197300196, per step time:378.31180334091187ms 2022-08-24 02:22:23,509:INFO:epoch[12], iter[800], loss:5.858353, 95.55 imgs/sec, lr:0.0009965342469513416, per step time:334.9030041694641ms 2022-08-24 02:22:59,307:INFO:epoch[14], iter[900], loss:5.592995, 89.39 imgs/sec, lr:0.0009952846448868513, per step time:357.96315908432007ms 2022-08-24 02:23:37,283:INFO:epoch[16], iter[1000], loss:5.433760, 84.27 imgs/sec, lr:0.0009938441216945648, per step time:379.7421598434448ms 2022-08-24 02:24:07,903:INFO:epoch[17], iter[1100], loss:5.497750, 104.51 imgs/sec, lr:0.0009930524975061417, per step time:306.1880350112915ms 2022-08-24 02:24:45,335:INFO:epoch[19], iter[1200], loss:5.229591, 85.49 imgs/sec, lr:0.0009913266403600574, per step time:374.31445598602295ms 2022-08-24 02:25:19,672:INFO:epoch[20], iter[1300], loss:5.439500, 93.20 imgs/sec, lr:0.0009903926402330399, per step time:343.3428382873535ms 2022-08-24 02:25:53,906:INFO:epoch[22], iter[1400], loss:5.251421, 93.48 imgs/sec, lr:0.0009883829625323415, per step time:342.32158184051514ms 2022-08-24 02:26:27,451:INFO:epoch[24], iter[1500], loss:5.066656, 95.40 imgs/sec, lr:0.0009861849248409271, per step time:335.44078826904297ms 2022-08-24 02:26:57,701:INFO:epoch[25], iter[1600], loss:5.126911, 105.79 imgs/sec, lr:0.0009850156493484974, per step time:302.488431930542ms 2022-08-24 02:27:35,049:INFO:epoch[27], iter[1700], loss:5.173864, 85.68 imgs/sec, lr:0.0009825368179008365, per step time:373.4699583053589ms 2022-08-24 02:28:11,842:INFO:epoch[29], iter[1800], loss:5.094898, 86.98 imgs/sec, lr:0.000979872071184218, per step time:367.92065382003784ms 2022-08-24 02:28:43,397:INFO:epoch[30], iter[1900], loss:4.915878, 101.41 imgs/sec, lr:0.000978470197878778, per step time:315.54893493652344ms 2022-08-24 02:29:15,897:INFO:epoch[32], iter[2000], loss:4.968676, 98.46 imgs/sec, lr:0.0009755282662808895, per step time:324.9926805496216ms 2022-08-24 02:29:49,959:INFO:epoch[33], iter[2100], loss:4.911098, 93.96 imgs/sec, lr:0.0009739884990267456, per step time:340.58289527893066ms 2022-08-24 02:30:24,726:INFO:epoch[35], iter[2200], loss:4.978653, 92.04 imgs/sec, lr:0.0009707720600999892, per step time:347.6608467102051ms 2022-08-24 02:31:01,901:INFO:epoch[37], iter[2300], loss:4.865260, 86.08 imgs/sec, lr:0.0009673740714788437, per step time:371.74336671829224ms 2022-08-24 02:31:30,083:INFO:epoch[38], iter[2400], loss:4.909868, 113.55 imgs/sec, lr:0.00096560746897012, per step time:281.8074131011963ms 2022-08-24 02:32:09,922:INFO:epoch[40], iter[2500], loss:4.836433, 80.33 imgs/sec, lr:0.0009619397460483015, per step time:398.3734679222107ms 2022-08-24 02:32:45,344:INFO:epoch[41], iter[2600], loss:4.901334, 90.34 imgs/sec, lr:0.0009600390330888331, per step time:354.20750617980957ms 2022-08-24 02:33:20,557:INFO:epoch[43], iter[2700], loss:4.841683, 90.88 imgs/sec, lr:0.0009561047772876918, per step time:352.1258568763733ms 2022-08-24 02:33:57,376:INFO:epoch[45], iter[2800], loss:4.803320, 86.91 imgs/sec, lr:0.0009519946179352701, per step time:368.1812024116516ms 2022-08-24 02:34:27,590:INFO:epoch[46], iter[2900], loss:4.864341, 105.92 imgs/sec, lr:0.0009498741710558534, per step time:302.1252226829529ms 2022-08-24 02:35:06,437:INFO:epoch[48], iter[3000], loss:4.650654, 82.38 imgs/sec, lr:0.0009455032413825393, per step time:388.4425711631775ms 2022-08-24 02:35:40,882:INFO:epoch[50], iter[3100], loss:4.810557, 92.90 imgs/sec, lr:0.0009409606573171914, per step time:344.4451856613159ms 2022-08-24 02:36:10,081:INFO:epoch[51], iter[3200], loss:4.759951, 109.60 imgs/sec, lr:0.0009386254823766649, per step time:291.9792127609253ms 2022-08-24 02:36:43,708:INFO:epoch[53], iter[3300], loss:4.713065, 95.16 imgs/sec, lr:0.0009338285308331251, per step time:336.2632393836975ms 2022-08-24 02:37:17,414:INFO:epoch[54], iter[3400], loss:4.779196, 94.94 imgs/sec, lr:0.0009313672198913991, per step time:337.0497798919678ms评估结果日志输出：2022-08-24 06:52:11,789:INFO: =============coco eval result========= Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.774 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.880 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.869 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.772 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.808 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.498 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.801 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.801 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = -1.000 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.796 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.831 2022-08-24 06:52:11,790:INFO:testing cost time 0.02 h数据集图片 2221 张，两个标签比例相当（2005:2055），原数据集特征如下： 转换成 coco 格式之后按 9:1 切割； 训练# 训练 !python yolov3_darknet53/train.py \ --data_dir=./dataset/coco \ --pretrained_backbone=backbone_darknet53.ckpt \ --is_distributed=0 \ --lr=0.001 \ --loss_scale=1024 \ --weight_decay=0.016 \ --T_max=320 \ --max_epoch=20 \ --warmup_epochs=4 \ --training_shape=416 \ --lr_scheduler=cosine_annealing > log-20220830-3.txt尝试使用 mindinsight问题当前训练存在哪些问题？如果调试调优应该如何发力？ 恳请论坛的各位大大多多指教！

“语法解析”和“词法解析”是计算机理解查询语句的重要一环。而词法和语法的解析依赖于一定的文法规则，有诸多网站可以可视化文法规则，但是对于根据文法规则生成的语法树进行可视化的文章却比较少。对文法规则生成的语法树进行可视化，可以降低查询语言的理解成本。本文以华为图引擎使用的cypher查询语言为例，将查询语句的解析结果（语法树）在jupyterLab上可视化。案例中使用的工具不仅可以可视化cypher语言的语法树结构，对其他antlr生成的抽象语法树同样适用。详情参见：cid:link_1AI Gallery案例地址为:cid:link_0