前言 在學習DL這些技術的時候，訓練模型常常會用到實驗室的遠端設備，像筆者的實驗室中就有幾顆V100或GTX3080可以使用 在一次使用中，如果遇到頁面登出、斷線等問題，再登入回去就沒有程式的一些提示訊息跳出(該terminal已經被關掉了)，但其實該支程式依然在背景執行，為了避免這樣的問題，故有此篇的誕生 此篇內容參考tmux 快速入門筆記感謝該作者的貢獻 關於tmux 甚麼是tmux tmux是一個terminal multiplexer，概念上的意思就是在一個終端機(一個console)下開啟多個視窗或是分割視窗區塊(在tmux中會有視窗(window)和視窗區塊(pane))，每個pane會各自獨立執行一個terminal instance(各自輸入輸出的介面)讓我們可以同時使用多個指令，而無須開啟多個終端機視窗。 tmux會在同一個session(連線狀態下的執行環境)保存這些視窗和視窗區塊。我們可以在任何時間離開這個連線(這被稱作detaching)。

前言 常在進行機器學習時，我們會需要用到網路上開源的pretrained weights，但因為每個架構的名稱不同，常會導致pretrained weights無法順利讀入使用的狀況，故在這篇對pytorch的pretrained model如何置換backbone、新增或刪除layer進行一些筆記和紀錄 筆者實際都是使用ResNet50進行 load pretrained model pretrained_model = torch.hub.load( 'pytorch/vision:v0.5.0', 'resnet50', pretrained=True )

主要想處理的問題 Bag of Words(詞袋) 假設現在有D篇文件，所有文件中有T個不同的詞彙 那我們就可以把一篇文件轉換成一個T維度的向量 而每一個向量的每一維度中，會放入一個數字，這個數字所代表的意思就是該字詞在這篇文件中所出現的次數 這就是一個BoW的演算法(Bag of Words) 這種方法會出現一些問題 每篇文章的總字數不同，比如說:

快速簡介 tsfresh是一個python package。 它用來自動計算大量的時間序列特徵，此外還包含了一些方法，用於評估此類特徵對於回歸或分類任務的解釋能力和重要性。 tsfresh is a python package. It automatically calculates a large number of time series characteristics, the so called features. Further the package contains methods to evaluate the explaining power and importance of such characteristics for regression or classification tasks. 安裝 輸入下方指令即可 pip install tsfresh

建NN with LSTM LSTM input shape: 三維(batch_size,timesteps,input_dim) units: 指在一層NN中LSTM的單元數量 (參考資料: In Keras, what exactly am I configuring when I create a stateful LSTM layer with N units? Input and Output shape in LSTM (Keras)) keras的一些參數和function 在做model.compile的時候