如何判断训练中的模型已经收敛
3.模型收敛：train loss 下降趋于稳定，val loss 下降也趋于稳定，且train loss 的值与val loss 的值相差不大。5.train loss上升，val loss上升：网络结构设计有问题，或者训练参数设置不当等，及时停止学习，调整代码。4.train loss稳定，va
如何彻底卸载anaconda3（win10）
anaconda安装容易出现错误，如果需要重新安装一定要讲之前的彻底删除干净，按照文中的三个步骤来操作就可以
Anaconda搭建深度学习虚拟环境：cuda+cudnn+pytorch+torchvision（并验证）
小白一看就会，容易上手，在Anaconda中搭建全套的深度学习虚拟环境：cuda+cudnn+pytorch+torchvision，并包含各类包是否安装成功的验证结果。
torch.load() 、torch.load_state_dict() 详解
torch.load() 、torch.load_state_dict() 详解
全局平均池化/全局最大池化Pytorch实现：
全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算
A Time Series is Worth 64 Words（PatchTST模型）论文解读
论文A Time Series is Worth 64 Words:Long-Time Forecasting With Tranformer解读，最新时间序列预测SOTA模型PatchTST
【异构知识蒸馏：IVIF】
仅供自己参考
大模型时代的“Linux”生态，开启人工智能新十年
演讲 | 林咏华 智源人工智能研究院副院长 整理 | 何苗出品 | CSDN（ID：CSDNnews）2018 年以来，超大规模预训练模型的出现推动了 AI 科研范式从面向特定应用场景、训练专有模型，转变为大模型+微调+模型服务的AI工业化开发模式。直至对话大模型 ChatGPT 引发全球广泛关注，
【周末闲谈】AI的旅途
忙碌的一周终于快要过去了，本周就让我们来谈谈AI这个热点话题吧😉(ps:但愿下个星期会更加轻松)AI无论在那个时代都是人们津津乐道的话题，人们即担心其的发展终有一天会取代人类，又好奇它能够成长到何种地步，今天就让我们来谈谈AI的发展史吧。
pytorch深度学习一机多显卡训练设置，流程
pytorch深度学习一机多显卡训练设置，流程
pytorch如何搭建一个最简单的模型，
在 PyTorch 中，可以使用torch.nn模块来搭建深度学习模型。具体步骤如下：定义一个继承自的类，这个类将作为我们自己定义的模型。在类的构造函数__init__()中定义网络的各个层和参数。可以使用torch.nn模块中的各种层，如Conv2dLinear等。在类中定义前向传播函数forwa
MobileNet网络详解
Mobile net
Transformer13~目标检测算法汇总
都到了13了 ~~ 还是基于这个的么办法 自从VIT横空出世以来，Transformer在CV界掀起了一场革新，各个上下游任务都得到了长足的进步，然后盘点一下基于Transformer的端到端目标检测算法！进行了深入的消融研究，以验证DINO中不同设计选择的有效性。因此，DINO通过ResNet-5
【ROS】VSCODE + ROS 配置方法（保姆级教程，总结了多篇）
vscode + ros 配置方法（正在更新……）最近开始学习ROS，但是官方给的教程都是在终端命令行下实现的，如果想要编写代码我使用的是vscode进行编写。首先vscode它不是一个IDE，vscode只提供编辑的环境而不提供编译的环境,如果想要用vscode来集成开发环境，就必须安装必须的编译
Cursor！！！GPT-4帮我写代码
目前为止应该是第一个免费能够使用GPT4工作的软件，看作者的Twitter，他说自己提前向OpenAI要到了GPT4的API，然后在这么短的时间内就集成出一个IDE，效率之高简直离谱，并且实际测试代码生成速度也巨快。
AI遮天传 DL-CNN
上次我们介绍了多层感知机(MLP)，本次将介绍深度学习领域中第二个基本的模型：卷积神经网络(CNN)。CNN在MLP之上又引入了两种新的层：卷积层和池化层。
解读YOLO v7的代码(三)损失函数
对Yolov7的代码进行分析，研究其正样本生成机制以及损失函数
深度学习参数初始化（一）Xavier初始化 含代码
Xavier初始化也称为Glorot初始化，因为发明人为Xavier Glorot。Xavier initialization是 Glorot 等人为了解决随机初始化的问题提出来的另一种初始化方法，他们的思想就是尽可能的让输入和输出服从相同的分布，这样就能够避免后面层的激活函数的输出值趋向于0。..
Transformer到底为何这么牛
深度学习自出生以来就不被看好，随着计算机的发展和硬件条件的提升，这种大规模计算的深度学习才重新焕发光芒。但是我们都知道深度学习，甚至是深度强化学习的效率太慢了，人类只需要重复学习几次，甚至几十次就可以学会的东西，深度学习需要成千上万次，不得不感叹深度学习算法的学习真的太慢了。深度学习的学习效率问题是
图像修复（Image Restoration）算法数据集详细介绍
图像修复（Image Restoration）算法数据集详细介绍：人脸数据集【1.Helen Face 2.CelebA (Celebrity Attribute) 3.CelebA-HQ 4.FFHQ（Flickr-Faces-HQ）】场景数据集【1.MS COCO (Common Obje
