Pytorch 多GPU训练
Pytorch 多GPU训练
cuda 版本更新
cuda安装
MSELoss详解+避坑指南
MSELoss详解+避坑指南
YOLOv7改进：在不同位置添加biformer
为了缓解多头自注意力()的可扩展性问题，先前的一些方法提出了不同的稀疏注意力机制，其中每个查询只关注少量的键值对，而非全部。为此，作者探索了一种动态的、查询感知的稀疏注意力机制，其关键思想是在粗糙区域级别过滤掉大部分不相关的键值对，以便只保留一小部分路由区域（这不就把冗余的信息干掉了吗老铁们）。其次
pytorch交换tensor的指定维度
pytorch中有两种方式可以实现tensor指定维度的交换，第一个是torch.permute()，第二个方法是torch.transpose()。二者不同是torch.permute()可以同时交换多个维度，而torch.transpose()每次只能交换两个维度。
YOLOv5-6.x源码分析（一）---- detect.py
像上面提到，我用YOLO也已经用得比较多了，项目里面三个有两个都是用的YOLO，所以在到时候面试的时候肯定也是重点询问项目，这样我就更得把YOLO的每一个part熟悉了。YOLO系列日新月异，如今已经更新到了第8代，但用得最多的还是第五代，而第五代也已经更新到了v7.0，因为更新多，所以也相对更加稳
Python案例｜使用卷积网络对星系图片进行分类
星系动物园（galaxy zoo）是由牛津大学等研究机构组织并邀请公众协助的志愿者科学计划，目的是为超过100万个星系图像进行分类。这是天文学中一次规模浩大的公众星空普查活动，大众参与热情高涨，在近十万名志愿者的积极参与下，只用了175天就完成了第一阶段的星系动物园项目：对95万个星系进行了分类，而
基于python实现微信接入ChatGpt进行自动回复
2.本教程对相关的基础操作只做了简单的说明,如果对python没有任何经验的新手朋友,需要根据本文档的引导进行自行搜索,本文档只对本文档主题进行详细说明,如果有什么建议,可以在评论区留言,欢迎各路大神批评斧正!1.本教程为了让大家更清晰地理解,让大家更方便进行自定义开发,本教程分为三大模块,每一模块
如何调用GPU训练模型【详细教程1】——CUDA和cuDNN的安装
在进行深度学习模型训练时，可以使用CPU训练，但通常比较慢，也可以采用GPU进行加速训练，目前支持深度学习的显卡只有NIVDIA，AMD是不支持的，可以不用往下看了要使用GPU进行加速训练，要安装三个东西：CUDA、cuDNN、PyTorch。PyTorch大家都知道，是一个用于深度学习的开源库，当
Python shutil copy()，copyfile() 和 copytree()函数
最近在处理数据集，经常会使用shutil相关函数处理文件，今天专门观察了下copy()，copyfile() 和 copytree() 之间的差别。移动具体文件source只能是文件，destination可以是文件，也可以是目录，目录必须已经创建，所以在复制文件前需要shutil.copyfile
[AI]如何让语言模型LLMs流式输出：HuggingFace Transformers实现
HugginFace Transforms是一个非常方便的库，集成了非常多SOTA的模型，包含：LLAMA, GPT, ChatGLM Moss，等。目前基本上主流的方案都是基于HugginFace Transforms这个框架实现的。以前如果要流式输出需要自己去改模型底层的推理逻辑。
Windows下安装及配置CUDA过程详解
GPU加速环境配置
torch.normal()函数
torch.normal()函数：
Python 3.11的10个使代码更加高效的新特性
在本文中我们将介绍Python 3.11新特性，通过代码示例演示这些技巧如何提高生产力并优化代码。
paper阅读慢？免费速读工具ChatPaper上线啦
Guide to creating a quick reading tool for paper
Pytorch中RandomResizedCrop()的参数及用法
Pytorch中的RandomResizedCrop()
【数学建模】2018年数学建模国赛C题解答 基于RFMT 模型的百货商场会员画像描绘
利用该大型百货商场提供的附件一中的会员信息以及附件三中的会员消费明细，完善该商场的会员画像。以会员消费总金额、消费次数、商品购买数量代表会员购买力，同时按季节对会员消费行为进行分析。考虑到会员的消费行为对状态的影响，在问题二的RFMT 模型的基础上，运用spss modeler软件对会员的R、F、M
opencv介绍
opencv
【pytorch】torch.clip() & torch.clamp() 数值裁剪
这两个函数用法一样，效果也一样。
yolov5目标检测样本框批量提取（将检测到的目标裁剪出来）
本文实现了代码的批量提取。
