OpenCV基础使用
OpenCV中的坐标默认是图片（视频帧）的左上角为原点(0, 0)，width对应x轴，height对应y轴，→为正x轴，↓为正y轴
图片裁剪直接用slicing即可，注意是[y, x]的表示方式，即:
img[y_min:y_max, x_min:x_man]
默认是返回对应大小的图片 $H \times W \times C$
但若裁剪的范围超过了原有图片大小,则返回$0 \times C$ 的结果, 强制保存这样的输出结果会出错
基于VideoCapture对视频的常用操作
tmux使用
tmux基础概念tmux使用详解
由tmux创建的终端都是处于三级结构的末级节点，也就是pane节点，默认情况下用tmux创建一个终端，则会创建一个session，session中会包含一个Window，这个window下包含一个pane，而这个pane就被认作是一个新的终端。
另外强烈推荐tmux wiki上推荐的书：The tao of tmux
上面这张图把所有的概念都说比较清楚了：
server 和 client ：
server：对应着tmux server-client的机制。每当tmux运行时，都会启动tmux server；
client：而访问session的时候，则对应一个client。同一个session，如果用几个不同的terminal访问，则对应多个client，因此tmux detach-client -s mysession -t /dev/ttys004 表示的是detach某个/dev/ttys004这一client，但是这个session其他的client（terminal）还是在运行的
When tmux starts, you ar ...
mmdetection源码解析
train源码解析train部分有两个train.py文件，一个位于tools下，另一个位于mmdet/api下，tools下的是更高层的api，mmdet/api下的主要是定义了train_detector。二者的关系是：
tools/train.py中调用mmdet/core/train.py中定义的train_detector。而train_detector又主要功能就是判断是多GPU分布式训练还是单GPU训练。
同时mmdet/core/train.py中还定义好了batch_processor以及它所调用的parse_losses，二者的作用如下：
batch_processor就是执行一个batch的操作，在目标检测中对应某一个batch（2~3张imgs per gpu)，以train为例，则batch_processor就是执行一个forward并把所有输出记录再outputs中
parse_losses，把outputs中的各个loss简单sum起来存到loss变量中，为后续回传梯度用。同时还把具 ...
mmdetection的使用基础
基础概念ratio：高/宽 h/w如ratio=[0.5, 1.0, 2.0]，则表示
scale：各边放大的倍数如scale=[8.]，则对应的两条边都放大八倍，即最后的面积变为原来的64倍
获取经过MMDataParallel的模型的module
MMDataParallel直接继承torch.nn.parallel.DataParallel，对于model，还需要用.module才能获得对应的model
获取到上面的module之后，直接通过.获取对应的模块就好了，比如：
runner.model.module.bbox_head # obtain bbox_head module of faster rcnn
距离distance的一些理解
euclidean distance
euclidean distance 并不是 similarity，如果要normalize的的话，可以考虑:
z变换，或者最直接的，x-min/max-min
F=1 − exp(−x/λ) where λ is the average distance and x is the distance of the point you are evaluating.
euclidean distance转化为similarity的方法其实有不少，具体选用哪个应该根据自己的问题来确定，比如如下的就可以考虑：
$dist=1−sim, dist=1−simsim, dist=\sqrt{1−sim}, dist=−\log(sim)$
$\frac{1}{1+d(p_1, p_2)}$
其实这些就是kernel，因此具体搜索的时候可以检索machine learning kernel来看
真的要完全理解，可以查阅这本书 Encyclopedia of Distance ...
docker基础
在Dockerfile中更改apt（等）的源路径直接通过ADD命令即可。对于apt-get来说，直接新建一个sources.list然后添加进去即可
ADD sources.list /etc/apt
软链(symlink)在docker中是基本不可用的
对于需要在container中直接使用的文件，用挂载即可-v
对于在Dockerfile中使用的文件，则需要用COPY或者ADD使用即可
Dockerfile中ADD, COPY的路径问题根据官网的docs，应该是只接受absolute path或者path relative to WORKDIR
因此最好用绝对路劲，如用/roor/代替~
Dockerfile中更改时区ln -sf /usr/share/zoneinfo/Asia/Shanghai /etc/localtime
解决docker tty尺寸过小的问题Strange terminal behaviour inside docker
直接用设定COLUMNS和LINES环境变量并不好用，反而只是如上的命令最好
docker exec -it container ...
tqdm使用
Basic
最直接的就是用tqdm把一个itereble object wrap起来，然后直接用：
with tqdm(range(config['INCV_epochs']), desc='INCV iter:{}'.format(kwargs['INCV_iter']), unit='epoch') as t:
for epoch in t:
或者是自己手动update：
with tqdm(total=10, bar_format="{postfix[0]} {postfix[1][value]:>8.2g}",
postfix=["Batch", dict(value=0)]) as t:
for i in range(10):
sleep(0.1)
t.postfix[1]["value"] = i / 2
t.update()
set_postfix(), set_description()的用法
set_postfix() ...
github使用
github删除子模块参考这个
git submodule deinit <asubmodule>
git rm <asubmodule>
# Note: asubmodule (no trailing slash)
# or, if you want to leave it in your working tree
git rm --cached <asubmodule>
rm -rf .git/modules/<asubmodule>
插入自定义代码块snippet generator
直接在上述网址中输入即可
删除remote上的commit
思路就是先从本地的log中找出所需的commit，然后本地先回滚，然后push -f 强行改写remote上的记录即可
具体操作如下：
通过revert来（commit还是保留了下来）
首先通过 git log 获得所有commit 挑选出需要的
git revert <commit>
git push -f <remote>
通过reset来（之后的commit都丢弃 ...
pytorch分布式训练初探
基础概念：进程、线程进程即process，线程即thread，从知乎的回答上看，可以了解到，线程是比进程更细粒度的划分，二者均表示占用资源（CPU、内存、IO等）的时间
world_size, rankworld_size本质就是指 进程总数，而rank则指的是 当前的进程
如果是单机多卡的模式，则world_size可以认为是 该卡的GPU总数，rank可以认为是每个GPU对应的进程（如果一个GPU开一个进程的话）
如果是多机多卡的模式，则world_size可以认为是 所有卡加起来的GPU总数，rank可以认为是每个GPU对应的进程（如果一个GPU开一个进程的话）。rank必须是exclusive的，否则会有重叠。但是此时要注意，如果需要手动在不同的node上面分别开启terminal来实现多进程，那么在指定cuda device(torch.cuda.set_device)时，必须用那个node上面的相对rank，因为每个node 上面的gpu都是从0开始计数的。
如果要一个rank（一个进程）同时使用好几个GPU的话，那么总的world_size则为total_num_gpu ...