目标检测算法——YOLOv5/YOLOv7改进之结合PP-LCNet（轻量级CPU网络）
PP-LCNet——轻量级且超强悍的CPU级骨干网络！！PP-LCNet 在同样精度的情况下，速度远超当前所有的骨架网络！它应用在比如目标检测、语义分割等任务算法上，也可以使原本的网络有大幅度的性能提升。
yolov5源码解析(10)--损失计算与anchor
本文章基于yolov5-6.2版本。主要讲解的是yolov5在训练过程中是怎么由推理结果和标签来进行损失计算的。损失函数往往可以作为调优的一个切入点，所以我们首先要了解它。
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
yolov5篇---官方ultralytics / yolov5代码复现，训练自己的数据集
深度学习：图像去雨网络实现Pytorch （二）一个简单实用的基准模型（PreNet）实现
详细介绍了一种简单实用的去雨模型PreNet在Pytorch框架下的搭建过程，供读者参考学习
AutoGPT也有Web UI了
现在AutoGPT也有了Web UI，在本文中我们将介绍如何通过Web UI使用AutoGPT。
【v8初体验】利用yolov8训练COCO数据集或自定义数据集
YOLOv8保姆级动手把手攻略
注意力机制（含pytorch代码及各函数详解）
目录注意力机制非参注意力汇聚概述（不需要学习参数）参数化注意力机制概述正式系统学习1.平均汇聚（池化）2.非参数注意力汇聚（池化）3.带参数注意力汇聚注意力机制不随意线索：不需要有想法，一眼就看到的东西随意线索：想看书，所以去找了一本书1.卷积、全连接、池化层都只考虑不随意线索2.注意力机制则显示的
Win11基于WSL2安装CUDA、cuDNN和TensorRT（2023-03-01）
之前我写了一篇博客：[Win11安装WSL2和Nvidia驱动](https://blog.csdn.net/Apple_Coco/article/details/128374634)，记录了在WSL2里安装CUDA，当时我选择了第二种安装方式，即用WSL2里的MiniConda去安装的PyTorc
pyton\yolov8安装和基础使用，训练和预测
到这里yolov8就安装好了，我这是cpu的版本，GPU本人也在摸索中，就不献丑了，如果不想在终端验证也可以到ultralytics-main\ultralytics\yolo\v8\detect\predict.py 这个python文件里把图片的路径修改然后运行就好了，图片路径和上面一样的。（这
ros中SLAM的EVO、APE测评——SLAM精度测评（一）
用于处理、评估和比较里程计和SLAM算法的轨迹输出。支持的轨迹格式：“TUM”轨迹文件“KITTI”姿态文件“EuRoC MAV”（.csv groundtruth和TUM轨迹文件）ROS和ROS2 BAG文件，带有几何图形/PoseStamped、几何图形/TransformStamped、几何图
Yolov8训练自己的数据集
用yolov8训练自己的数据集，熟悉yolov8整个流程，便于下一步魔改网络等
RKNN模型部署（3）—— 模型转换与测试
将pth模型转换成rknn模型，然后调用rknn模型进行测试
Pytorch优化器全总结（三）牛顿法、BFGS、L-BFGS 含代码
这篇文章是优化器系列的第三篇，主要介绍牛顿法、BFGS和L-BFGS，其中BFGS是拟牛顿法的一种，而L-BFGS是对BFGS的优化，那么事情还要从牛顿法开始说起。L-BFGS即Limited-memory BFGS。 L-BFGS的基本思想就是通过存储前m次迭代的少量数据来替代前一次的矩阵，从而大
详解Pytorch中的torch.nn.MSELoss函，包括对每个参数的分析！
详解Pytorch中的torch.nn.MSELoss函数，包括对每个参数的分析！
欠拟合的原因以及解决办法（深度学习）
之前这篇文章，我分析了一下深度学习中，模型过拟合的主要原因以及解决办法：过拟合的原因以及解决办法（深度学习）_大黄的博客-CSDN博客这篇文章中写一下深度学习中，模型欠拟合的原因以及一些常见的解决办法。也就是为什么我们设计的神经网络它不收敛？这里还是搬这张图出来，所谓欠拟合（也就是神经网络不收敛），
YOLOv5网络结构，训练策略详解
前面已经讲过了Yolov5模型目标检测和分类模型训练流程，这一篇讲解一下yolov5模型结构，数据增强，以及训练策略。
MAE详解
目录一、介绍二、网络结构1. encoder2. decoder3. LOSS三、实验全文参考：论文阅读笔记：Masked Autoencoders Are Scalable Vision Learners_塔_Tass的博客-CSDN博客masked autoencoders(MAE)是hekai
图像处理中常见的几种插值方法：最近邻插值、双线性插值、双三次插值（附Pytorch测试代码）
在学习可变形卷积时，因为学习到的位移量Δpn可能是小数，因此作者采用双线性插值算法确定卷积操作最终采样的位置。通过插值算法我们可以根据现有已知的数据估计未知位置的数据，并且可以利用这种方法对图像进行缩放、旋转以及几何校正等任务。此处我通过这篇文章学习总结常见的三种插值方法，包括最近邻插值、双线性插值
使用PyTorch和Flower 进行联邦学习
本文将介绍如何使用 Flower 构建现有机器学习工作的联邦学习版本。我们将使用 PyTorch 在 CIFAR-10 数据集上训练卷积神经网络，然后将展示如何修改训练代码以联邦的方式运行训练。
足够惊艳，使用Alpaca-Lora基于LLaMA(7B)二十分钟完成微调，效果比肩斯坦福羊驼
从上面可以看到，在一台8卡的A800服务器上面，基于Alpaca-Lora针对指令数据大概20分钟左右即可完成参数高效微调，相对于斯坦福羊驼训练速度显著提升。参考文档LLaMA：斯坦福-羊驼。
