从前有座山，叫巴里赫德，他一个当一座山，十分的爽。
哎，想不到吧。
这个山里面有树林，有庙，有这个山里灵活的狗。山上有棵树，这棵树不叫高树，因为这个梗太老了。这棵树的形状有些奇特，大概就长这个样子。
importtorch
fromtorchimportnn
importasF
importos
importtensorboardX
fromimportDataset
fromimportDataLoader
device=(cudaif_availableelsecpu)
classVGGBaseSimpleS2(nn.Module):
def__init__(self):
super(VGGBaseSimpleS2,self).__init__
=nn.Sequential(
nn.Conv2d(1,12,kernel_size=3,stride=1,padding=1),
#nn.BatchNorm2d(16),
nn.ReLU
#6*6
_pooling1=nn.MaxPool2d(kernel_size=2,stride=1)
#5*5
_1=nn.Sequential(
nn.Conv2d(12,24,kernel_size=3,stride=1,padding=1),
nn.ReLU
_pooling2_1=nn.MaxPool2d(kernel_size=2,stride=1)
#4*4
_2=nn.Sequential(
nn.Conv2d(24,24,kernel_size=3,stride=1,padding=1),
nn.ReLU
_pooling2=nn.MaxPool2d(kernel_size=2,stride=2)
#2*2
#2*2
=nn.Linear(24*2*2,2)
defforward(self,x):
batchsize=x.size(0)
out=(x)
out=_pooling1(out)
out=_1(out)
out=_2(out)
out=_pooling2(out)
out=out.view(batchsize,-1)
out=(out)
out=F.log_softmax(out,dim=1)
returnout
classTrainingDataSet(Dataset):
def__init__(self):
super(TrainingDataSet,self).__init__
_dict_X=X_train
_dict_y=y_train
def__getitem__(self,index):
t=_dict_X[index,0:36]
t=(t).view(6,6)
returnt,_dict_y[index]
def__len__(self):
returnlen(_dict_y)
classTestDataSet(Dataset):
def__init__(self):
super(TestDataSet,self).__init__
_dict_X=X_validate
_dict_y=y_validate
def__getitem__(self,index):
t=_dict_X[index,0:36]
t=(t).view(6,6)
returnt,_dict_y[index]
def__len__(self):
returnlen(_dict_y)
defcnn_classification:
batch_size=256
trainDataLoader=DataLoader(TrainingDataSet,batch_size=batch_size,shuffle=False)
testDataLoader=DataLoader(TestDataSet,batch_size=batch_size,shuffle=False)
epoch_num=200
#lr=0.001
lr=0.001
=(device)
print()
#loss
loss_func=nn.CrossEntropyLoss
#optimizer
optimizer=(.parameters,lr=lr)
#optimizer=(.parameters,lr=lr,momentum=0.9,weight_decay=5e-4)
scheduler=_(optimizer,step_size=5,gamma=0.9)
ifnotos.(“logCNN“):
os.mkdir(“logCNN“)
writer=(“logCNN“)
forepochinrange(epoch_num):
train_sum_loss=0
train_sum_correct=0
train_sum_fp=0
train_sum_fn=0
train_sum_tp=0
train_sum_tn=0
fori,datainenumerate(trainDataLoader):
.train
inputs,labels=data
inputs=(1).to
labels=
inputs,labels=(device),(device)
outputs=(inputs)
loss=loss_func(outputs,labels)
_grad
_,pred=(,dim=1)
acc=.cpu.sum
one=_like(labels)
zero=_like(labels)
tn=((labels==zero)*(pred==zero)).sum
tp=((labels==one)*(pred==one)).sum
fp=((labels==zero)*(pred==one)).sum
fn=((labels==one)*(pred==zero)).sum
train_sum_fn+=fn.item
train_sum_fp+=fp.item
train_sum_tn+=tn.item
train_sum_tp+=tp.item
train_sum_loss+=
train_sum_correct+=acc.item
train_loss=train_sum_loss*1.0/len(trainDataLoader)
train_correct=train_sum_correct*1.0/len(trainDataLoader)/batch_size
train_precision=train_sum_tp*1.0/(train_sum_fp+train_sum_tp)
train_recall=train_sum_tp*1.0/(train_sum_fn+train_sum_tp)
_scalar(“trainloss“,train_loss,global_step=epoch)
_scalar(“traincorrect“,
train_correct,global_step=epoch)
_scalar(“trainprecision“,
train_precision,global_step=epoch)
_scalar(“trainrecall“,train_recall,global_step=epoch)
ifnotos.(“models_aug_CNN“):
os.mkdir(“models_aug_CNN“)
(.state_dict,“models_aug_CNN/{}.pth“.format(epoch+1))
sum_loss=0
sum_correct=0
test_sum_fp=0
test_sum_fn=0
test_sum_tp=0
test_sum_tn=0
fori,datainenumerate(testDataLoader):
.eval
inputs,labels=data
inputs=(1).to
labels=
inputs,labels=(device),(device)
outputs=(inputs)
loss=loss_func(outputs,labels)
_,pred=(,dim=1)
acc=.cpu.sum
one=_like(labels)
zero=_like(labels)
tn=((labels==zero)*(pred==zero)).sum
tp=((labels==one)*(pred==one)).sum
fp=((labels==zero)*(pred==one)).sum
fn=((labels==one)*(pred==zero)).sum
test_sum_fn+=fn.item
test_sum_fp+=fp.item
test_sum_tn+=tn.item
test_sum_tp+=tp.item
sum_loss+=
sum_correct+=acc.item
test_precision=test_sum_tp*1.0/(test_sum_fp+test_sum_tp)
test_recall=test_sum_tp*1.0/(test_sum_fn+test_sum_tp)
test_loss=sum_loss*1.0/len(testDataLoader)
test_correct=sum_correct*1.0/len(testDataLoader)/batch_size
_scalar(“testloss“,test_loss,global_step=epoch+1)
_scalar(“testcorrect“,test_correct,global_step=epoch+1)
_scalar
(“testprecision“,test_precision,global_step=epoch+1)
_scala
r(“testrecall“,test_recall,global_step=epoch+1)
print(“epochis“,epoch,“trainloss“,train_loss,“traincorrect“,train_correct,“testlossis“,
test_loss,“testcorrectis:“,test_correct,“train_precision:“,train_precision,“test_precision:“,
test_precision,“train_recall:“,train_recall,“test_recall:“,test_recall)
可以说非常之高大粗壮，也给山里面人带来了很多不便，为了开发山里面的土地，或者给山里面阳光，村民决定砍伐这棵树。他们砍了整整一天，给树砍了，一股七彩的光芒就飞进了树林。村民就非常爽，晚上就抱着他们女朋友进入了甜蜜的梦乡。
可第二天他们发现树又长回来了，这次不是python这次是特么java。他们又砍树，但第二天又长出来了，这树C，C++，C#,JavaScript,Perl,PHP,DelhiPascal,Go，SQL，Matlab，Scratch一样一个。具体是什么我就不写了我怕你们打我。
有一个精通电脑的长老提出来了，很久以前一个叫莱茵的男人犯了病，惹怒了达摩和迦叶波。非常难受，被变成了狮子。
这个sb树肯定是这sb莱茵捣的鬼。
于是长老就π人在晚上守夜。果然他们看见了莱茵偷偷嵌入呸潜入他们树墩下，他们发现这个树没有砍干净还剩了一个
#include〈〉
intmain
莱茵用这个舌头一舔，这树就分分钟长成了参天大树。
这sb守夜人也不组织而是禀报给了长老。长老一看十分生气。下令给这个#include〈〉intmain
也连根拔起烧了。
之后狮子发现没有树可以舔了十分难受，有一天他正在路上走着，发现了一根女人叫sb蓄渴衅，他对这个女人说：“sb蓄渴衅，我分分钟就能吃了你，但是我不会吃你，现在我还要给你名贵的药草，让你当药科大学公派留学生，你能不能帮我弄死你们sb长老。”
sb蓄渴衅一听wc，非常爽。就成了莱茵的卧底当了恨国党。天天泄露长老的机密。
长老也发现不对劲，就下令说：“我们之中出来了一个告密者，恨国党，历史虚无主义者，我已经知道它的名字了，我奉劝它能够改邪归正在明天带着莱茵的头颅来见我，要么它只有死路一条。”
蓄渴衅十分慌张，它找到莱茵商量对策，莱茵说：“非常简单，我给你一个别的狮子的头颅。”
蓄渴衅照做了，拿着别的狮子的头颅见了长老，长老一见sb蓄渴衅，酷驰一摆拳，呱嗒一个刺拳，框汤一个鞭腿给它打成了sb，不，本来就是sb。给它皮扒了十八层，骨灰扬到水沟里头。看着蓄渴衅痛苦地死去，长老非常地爽，然后揪出来了在丛林里潜伏的莱茵，夸差，咣当，酷驰一波操作给他也打成了渣渣。
最后，他大吼“看清楚没有，这就是sb告密者的下场。”
先别急着幸福生活，现在这个侯丰文又出来了，跟大家再瞎说几句。
有人说爱国是种美德，是种修养。我觉得是特么屁的美德修养，你特么身为一个人类，你也算是个人了，你国都不爱你算特么什么人类。我都想问不爱国的这些畜牲们一句为什么，到底为什么，有人说物种多样性呀遗传多样性，这特么解释不通啊，妈的物种多样性也特么不是这个地方多样吧，我都不太能把这种东西看成一种生物。
在我看来，爱国已经是最廉价，最基本的品质，一个人可以尖酸刻薄，可以不自律颓废，可以一事无成，可以贪婪吝啬，都不能用你的语言和身体攻击那个给我们稳定幸福生活，养育我们长大的祖国。
对于这类恨国的粪便蛆虫（对不起侮辱粪便蛆虫了）在英雄们冲锋陷阵时，它们肆意嘲讽。在英雄们为国捐躯时，它们恶毒诅咒。它们嘤嘤狗吠自以为不朽，用放屁一般的言语，歪曲事实，虚无历史，辱骂先烈。
我为同这种人生在一片空气里而耻辱而羞愧！
这篇文章不好意思，没有凝华主旨和幸福生活。我要让我的每个读者看到！面对这些蛆虫粪便，我们没必要冷静，我们没必要克制。只有卸掉他们肮脏的头颅，才是对高尚英雄真正地告慰。