解决：RuntimeError: CUDA error: device-side assert triggered
[TOC]解决办法：RuntimeError: CUDA error: device-side assert triggered。
Windows环境下GPU版本pytorch安装
Windows环境下GPU版本pytorch安装
使用Dreambooth LoRA微调SDXL 0.9
本文将介绍如何通过LoRA对Stable Diffusion XL 0.9进行Dreambooth微调。DreamBooth是一种仅使用几张图像(大约3-5张)来个性化文本到图像模型的方法。
深度学习（8）之 UNet详解（附图文和代码实现）
UNet详解（附图文和代码实现）
Anaconda更换国内镜像源最新方法--2023.1
【代码】Anaconda更换国内镜像源最新方法--2023.1。
用Wav2Lip+GFPGAN创建高质量的唇型合成视频
这是一个简单的参考实现，并不能保证所有情况下都适用，但是可以帮助您了解如何使用Wav2Lip+GFPGAN来生成唇形合成视频。在这里，我可以提供一个简单的代码示例，演示如何使用Wav2Lip+GFPGAN来创建高质量的唇形合成视频。
多层感知机（MLP）
多层感知器（MLP，Multilayer Perceptron）是一种前馈模型，其将输入的多个数据集映射到单一的输出的数据集上。，因此也叫深度感知机是单个神经元模型，是较大神经网络的前身。神经网络的强大之处在于它们能够学习训练数据中的表示，以及如何将其与想要预测的输出变量联系起来。从数学上讲，它们能
如何自己电脑上使用 DeepFaceLab 教程（SAEHD 模型）
Deepfakes（“深度学习”和“假” [1]的合成词）是合成媒体，其中现有图像或视频中的人物被替换为其他人的肖像。虽然伪造内容的行为并不新鲜，但 deepfakes 利用机器学习和人工智能的强大技术来操纵或生成具有很高欺骗潜力的视觉和音频内容。用于创建 deepfakes 的主要机器学习方法基于
SegmentAnything 模型 （SAM）：万物可分割 AI 模型，11亿＋掩码数据集可提取
提取.SAM Demo：https://segment-anything.com/开源地址：https://github.com/facebookresearch/segment-anything论文地址：https://ai.facebook.com/research/publications/s
Pytorch 多卡并行训练教程 （DDP）
Pytorch 多卡并行训练教程 （DDP），关于使用DDP进行多开并行训练 网上有许多教程，而且很多对原理解析的也比较透彻，但是有时候看起来还是比较懵逼，再啃了许多相关的博客后，博主记录了一些自己对于使用torch.nn.DistributedDataParallel(DDP)进行单机多卡并行训练
forward() takes 2 positional arguments but 3 were given
forward() takes 2 positional arguments but 3 were given，nn.sequential()
深入浅出TensorFlow2函数——tf.exp
tf.exp( x, name=None)
RuntimeError: expected scalar type Half but found Float
经过：在注意力模块中，会有较多的矩阵运算，在训练时出现了cuda和cup类型的冲突(另一篇我写的文章)；而在验证时出现了上述错误。出错的位置在torch.bmm()处，在这里进行了一次矩阵乘法运算。由于两个数据的类型不同，因此发生冲突。解决方案：仍然是用to()方法，修改数据类型为另一个数据的类型。
（Windows）半自动化标注-Label-Studio的安装和简单使用
Label Studio 是一款优秀的标注软件，覆盖图像分类、目标检测、分割等领域数据集标注的功能。SAM (Segment Anything) 是 Meta AI 推出的分割一切的模型。
7个有用的Prompt参数
本文将介绍七个关键的Prompt参数，通过这些参数可以引导模型，探索模型的能力和限制，生成不同风格或角度的内容。
YOLOV5训练时P、R、mAP等值均为0的问题
需要注意的是，P、R、mAP等指标为0并不一定意味着模型无效。训练时间太短：如果训练时间太短，则模型可能没有足够的时间来收敛到最佳状态。模型过于简单：如果模型过于简单，则很难从样本中学习到有效的特征。考虑增加网络的深度和宽度，或使用更复杂的网络结构。预处理步骤出现问题：确保数据预处理流程正确，例如确
mmsegmentation 训练自制数据集全过程
mmsegmentation训练自己的数据集，环境配置，数据集制作，训练，预测全过程
CFNet: Cascade Fusion Network for Dense Prediction
在密集预测任务中多尺度的特征融合至关重要，当前的主流的密集预测的范式是先通过BackBone提取通用特征，然后通过特征融合模块来融合BackBone中的多尺度特征，最后使用head来输出密集预测结果（检测，分割等）。作者发现BackBone的网络参数量远远大于特征融合模块，基于此发现作者提出了级联融
Windows如何更改Anaconda默认启动环境
记录工具使用。
yolov5s.pt下载
yolov5s.pt 直达下载地址
