gmm_08.pkl 解析 读取

目录

1.26.3版本执行正常:

python 1.26.3版本读取正常:

1.23.0结果错误:


1.26.3版本执行正常:

# coding=utf-8
import sys
import os

import torch;
import smplx;

smplx.create(r'./deps/smpl_models', model_type='smpl', gender='neutral', ext='pkl', batch_size=16).to(torch.device('cuda:0'))

current_dir = os.path.dirname(os.path.abspath(__file__))
current_dir_p = os.path.dirname(current_dir)
os.chdir(current_dir)
print('current_dir', current_dir)
paths = [current_dir, current_dir_p]

paths.append(os.path.join(current_dir, 'src'))

for path in paths:
    sys.path.insert(0, path)
    os.environ['PYTHONPATH'] = (os.environ.get('PYTHONPATH', '') + ':' + path).strip(':')

import pickle
import numpy as np

print('np.__version', np.__version__)
full_gmm_fn = './deps/smpl_models/gmm_08.pkl'

with open(full_gmm_fn, 'rb') as f:
    gmm = pickle.load(f, encoding='latin1')

for idx, c in enumerate(gmm['covars']):
    print(idx, 'c_max', c.max(), 'c_min', c.min())

for idx, c in enumerate(gmm['covars']):
    det = np.linalg.det(c)

    sign, logdet = torch.linalg.slogdet(torch.from_numpy(c))
    det_c = sign * torch.exp(logdet)

    if det <= 0:
        print(f"行列式无效,索引 {idx}: {det}")
    print(idx, det, det_c)

正常结果:

0 c_max 0.49236168172193373 c_min -0.23544843915864178
1 c_max 0.15270572127155504 c_min -0.06636943058983386
2 c_max 0.35990567884254776 c_min -0.29855782001291553
3 c_max 0.4957880359987742 c_min -0.3858436205513697
4 c_max 0.05040274081742145 c_min -0.03188406942138507
5 c_max 0.46604796151822325 c_min -0.345167503372072
6 c_max 0.26849724766175587 c_min -0.17093035395496226
7 c_max 0.30493624129949704 c_min -0.18225043837061095
0 3.2749372845849096e-136
1 3.440107744796712e-172
2 1.166091530520843e-150
3 1.9858711756979963e-141
4 1.0041491620837882e-171
5 1.3613105970495381e-154
6 2.0844686480611028e-151
7 6.733864433947538e-156

python 1.26.3版本读取正常:

python -c "import numpy as np;print(np.__version__)"

1.23.0结果错误:

 1.23.2 结果错误

np.__version 1.23.0
0 c_max 0.49236168172193373 c_min -0.23544843915864178
1 c_max 0.15270572127155504 c_min -0.06636943058983386
2 c_max 0.35990567884254776 c_min -0.29855782001291553
3 c_max 0.4957880359987742 c_min -0.3858436205513697
4 c_max 0.05040274081742145 c_min -0.03188406942138507
5 c_max 0.46604796151822325 c_min -0.345167503372072
6 c_max 0.26849724766175587 c_min -0.17093035395496226
7 c_max 0.30493624129949704 c_min -0.18225043837061095
0 2.087005568661045e-59
1 2.1974185088440894e-136
2 2.2291399048498e-81
3 1.73275426665969e-65
4 2.249272139603713e-119
5 1.7713026716136105e-84
6 2.139139009462087e-74
行列式无效,索引 7: -1.6656293716672904e-83
7 -1.6656293716672904e-83

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/982403.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

rabbitmq版本升级并部署高可用

RabbitMQ版本升级 先检查是否已经安装rabbitmq rpm -qa|grep rabbitmq|wc -l //如果结果是0&#xff0c;表示没有安装 rpm -e --nodeps $(rpm -qa|grep rabbitmq) //如安装了&#xff0c;则进行卸载 先检查是否已经安装erlang rpm -qa|grep erlang|wc -l //如果结果…

Electron-Forge + Vue3 项目初始化

本人对Electron的浅薄理解如下图所示 由上图可以&#xff0c;如果你需要开发一个electron应用&#xff0c;你得具备基本的前端开发经验。对于electron相关的知识&#xff0c;建议先了解下基本的窗口操作&#xff0c;比如新建窗口、关闭窗口等简单的操作&#xff0c;这些内容在…

pinginfoview网络诊断工具中文版

介绍 pinginfoview中文版本是一款实用的网络诊断工具&#xff0c;它专为中文用户设计&#xff0c;提供了方便易用的界面&#xff0c;使得在Windows环境下进行ping测试变得更加简单。该工具是由NirSoft开发的一款免费的桌面应用程序&#xff0c;尽管官方可能并未正式发布中文版…

DeepSeek R1 + 飞书机器人实现AI智能助手

效果 TFChat项目地址 https://github.com/fish2018/TFChat 腾讯大模型知识引擎用的是DeepSeek R1&#xff0c;项目为sanic和redis实现&#xff0c;利用httpx异步处理流式响应&#xff0c;同时使用buffer来避免频繁调用飞书接口更新卡片的网络耗时。为了进一步减少网络IO消耗&…

Go学习笔记:基础语法3

1. 常量 Go语言中的常量使用关键字const定义&#xff0c;用于存储不会改变的数据&#xff0c;常量是在编译时被创建的&#xff0c;即使定义在函数内部也是如此&#xff0c;并且只能是布尔型、数字型&#xff08;整数型、浮点型和复数&#xff09;和字符串型。 由于编译时的限…

010---基于Verilog HDL的分频器设计

文章目录 摘要一、时序图二、程序设计2.1 rtl2.2 tb 三、仿真分析四、实用性 摘要 文章为学习记录。绘制时序图&#xff0c;编码。通过修改分频值参数&#xff0c;实现一定范围分频值内的任意分频器设计。 一、时序图 二、程序设计 2.1 rtl module divider #(parameter D…

EX_25/3/6

1&#xff1a;是进度条通过线程自己动起来 myThread.h #ifndef MYTHREAD_H #define MYTHREAD_H#include <QThread>class myThread : public QThread {Q_OBJECT public:myThread(QObject* partennullptr);signals:void sig(int value);protected:void run();private:int…

客户端及时通讯系统(1)

编写核心数据结构 一、核心数据结构介绍二、将本地新项目推送到gitee已有仓库上三、代码实现3.1 核心数据结构成员变量设计和工具类设计 一、核心数据结构介绍 1&#xff09;用户信息&#xff08;UserTnfo&#xff09; 用户的属性 2&#xff09;会话信息&#xff08;ChatSess…

针对半导体行业招聘系统有哪些?

近年来&#xff0c;全球半导体产业迎来爆发式增长&#xff0c;芯片设计、制造、封装等环节对高技能人才的需求急剧攀升。然而&#xff0c;行业面临多重挑战&#xff1a;技术迭代快导致岗位要求动态变化、优质人才争夺激烈、传统招聘模式效率低下。以某头部半导体企业为例&#…

汽车智能钥匙中PKE低频天线的作用

PKE&#xff08;Passive Keyless Entry&#xff09;即被动式无钥匙进入系统&#xff0c;汽车智能钥匙中PKE低频天线在现代汽车的智能功能和安全保障方面发挥着关键作用&#xff0c;以下是其具体作用&#xff1a; 信号交互与身份认证 低频信号接收&#xff1a;当车主靠近车辆时…

清华大学DeepSeek赋能家庭教育【附下载链接】

核心要点&#xff1a; DeepSeek通过基础模型&#xff08;V3&#xff09;、深度思考模型&#xff08;R1&#xff09;及联网模型&#xff0c;为家庭教育提供分层支持&#xff1a;V3用于作业辅导&#xff0c;R1培养批判性思维&#xff0c;联网模型助力探究性学习。家长需遵循目标导…

是德科技十周年:以创新丈量未来,用科技赋能世界

是德科技成立十周年&#xff0c;以全球测试测量领域领军者的姿态&#xff0c;书写了一部突破与创新的发展史诗。作为从惠普、安捷伦深厚技术积淀中孕育而生的行业标杆&#xff0c;十年来是德科技始终站在科技浪潮之巅&#xff0c;构建起覆盖5G通信、人工智能、汽车电子、量子计…

Springboot 梳理

一、Springboot 特性 方便创建可独立运行的spring应用程序直接内嵌Tomcat等服务简化了项目的构建配置为spring及第三方库提供自动配置提供生产级特性无需生成代码或者进行xml配置 二、四大核心 自动配置起步依赖命令行界面Actuator - 生成级的特性 三、自动配置的实现原理 …

unity console日志双击响应事件扩展

1 对于项目中一些比较长的日志&#xff0c;比如前后端交互协议具体数据等&#xff0c;这些日志内容可能会比较长&#xff0c;在unity控制面板上查看不是十分方便&#xff0c;我们可以对双击事件进行扩展&#xff0c;将日志保存到一个文本中&#xff0c;然后用系统默认的文本查看…

GPIO相关寄存器

共七种寄存器用于控制GPIO GPIOx_CRL&#xff08;常用&#xff09; GPIOx_CRH&#xff08;常用&#xff09; GPIOx_IDR&#xff08;常用&#xff09; GPIOx_ODR&#xff08;常用&#xff09; GPIOx_BSRR&#xff08;常用&#xff09; GPIOx_BRR&#xff08;不常用&#x…

简单多状态 dp 问题(典型算法思想)—— OJ例题算法解析思路

目录 一、面试题 17.16. 按摩师 - 力扣&#xff08;LeetCode&#xff09; 算法代码&#xff1a; 代码思路解析&#xff1a; 问题分析&#xff1a; 动态规划定义&#xff1a; 状态转移方程&#xff1a; 初始化&#xff1a; 填表&#xff1a; 返回值&#xff1a; 优化空…

深度解码!清华大学第六弹《AIGC发展研究3.0版》

在Grok3与GPT-4.5相继发布之际&#xff0c;《AIGC发展研究3.0版》的重磅报告——这份长达200页的行业圣经&#xff0c;不仅预测了2025年AI技术爆发点&#xff0c;更将「天人合一」的东方智慧融入AI伦理建构&#xff0c;堪称数字时代的《道德经》。 文档&#xff1a;清华大学第…

基于Hadoop的热门旅游景点推荐数据分析与可视化系统(基于Django大数据技术的热门旅游景点数据分析与可视化)

基于Hadoop大数据技术的热门旅游景点推荐数据分析与可视化系统设计与实现&#xff08;基于大数据技术的Django热门旅游景点数据分析与可视化系统设计与实现&#xff09; 1. 开发工具和实现技术 Pycharm, Python3.7&#xff0c;Django框架&#xff0c;Hadoop&#xff0c;Spark…

bert模型笔记

1.各预训练模型说明 BERT模型在英文数据集上提供了两种大小的模型&#xff0c;Base和Large。Uncased是意味着输入的词都会转变成小写&#xff0c;cased是意味着输入的词会保存其大写&#xff08;在命名实体识别等项目上需要&#xff09;。Multilingual是支持多语言的&#xff0…

dify 工作流 迭代

测试工作流&#xff1b;输入 测试工作流&#xff1b;运行结果 迭代&#xff1b;item使用解构&#xff1b;解析出每个对象