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:](#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:

python 复制代码
# 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:

bash 复制代码
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

相关推荐
kishu_iOS&AI2 分钟前
Conda 简要说明与常用指令
python·安全·conda
小陈工8 分钟前
FastAPI性能优化实战:从每秒100请求到1000的踩坑记录
python·性能优化·django·flask·numpy·pandas·fastapi
知我Deja_Vu13 分钟前
【避坑指南】ConcurrentHashMap 并发计数优化实战
java·开发语言·python
njidf17 分钟前
用Python制作一个文字冒险游戏
jvm·数据库·python
呆呆小孩28 分钟前
Anaconda 被误删抢救手册:从绝望到重生
python·conda
liliangcsdn29 分钟前
LLM复杂数值的提取计算场景示例
人工智能·python
人工智能AI酱1 小时前
【AI深究】逻辑回归(Logistic Regression)全网最详细全流程详解与案例(附大量Python代码演示)| 数学原理、案例流程、代码演示及结果解读 | 决策边界、正则化、优缺点及工程建议
人工智能·python·算法·机器学习·ai·逻辑回归·正则化
WangLanguager1 小时前
逻辑回归(Logistic Regression)的详细介绍及Python代码示例
python·算法·逻辑回归
wefly20171 小时前
m3u8live.cn 在线M3U8播放器,免安装高效验流排错
前端·后端·python·音视频·前端开发工具
ZTLJQ1 小时前
深入理解逻辑回归:从数学原理到实战应用
开发语言·python·机器学习