深度学习

九章云极AladdinEdu

深度学习框架显存泄漏诊断手册（基于PyTorch的Memory Snapshot对比分析方法）在深度学习模型的训练与推理过程中，显存泄漏（GPU Memory Leak）是开发者最常遭遇的"隐形杀手"之一。不同于传统内存泄漏的即时可见性，显存泄漏往往在长时间运行的训练任务中逐步积累，最终导致CUDA Out of Memory错误。这种现象在以下场景尤为突出：

咖啡叶子病害检测数据集VOC+YOLO格式1468张4类别均为单叶子数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

深度学习中的正则化方法与卷积神经网络基础防止模型过拟合(训练集效果好, 测试集效果差), 提高模型泛化能力一种防止过拟合, 提高模型泛化能力的策略

程序员秘密基地

基于pycharm,python,flask,tensorflow,keras,orm,mysql，在线深度学习sql语句检测系统详细视频:

king of code porter

深度学习之用CelebA_Spoof数据集搭建一个活体检测-用MNN来推理时候如何利用Conan对软件包进行管理前面的文章：深度学习之用CelebA_Spoof数据集搭建一个活体检测-训练好的模型用MNN来推理有提到怎么使用MNN对训练好的模型进行推理，里面并没有提到我是怎么编译和进行代码依赖包的管理的详细步骤，在这里我是用的是Conan:一个C/C++包管理器，可以管理项目依赖并自动下载编译所需的库文件。比较令人兴奋的是，Conan专为C/C++设计的去中心化包管理器，支持多平台（Windows/Linux/macOS），还能支持交叉编译，可管理二进制依赖和构建配置，还有是免费开源的。也就是用它来进行依赖包和软件

山顶望月川

人工智能、机器学习与深度学习：全面介绍与对比分析引言1.1 技术革命的背景1.2 三者的关系概述人工智能(AI)概述2.1 人工智能的定义与发展历程2.2 人工智能的主要分支

LLM笔记（九）KV缓存调研KV 缓存（Key-Value Cache）是在 Transformer 模型（尤其是 Decoder-Only 架构或 Encoder-Decoder 架构的 Decoder 部分）进行自回归 (auto-regressive) 推理生成序列时，一种至关重要的优化技术。其核心目标是显著提高生成速度并大幅减少冗余计算。

【综述】视频目标分割VOS这篇文章提出了一种名为“Associating Objects with Transformers (AOT)”的新方法，用于解决半监督视频目标分割（VOS）任务中的多目标场景问题。AOT通过将多个目标统一嵌入到同一个高维嵌入空间中，实现了多目标的匹配和解码，显著提高了效率，并在多个基准测试中取得了优异的性能。

深度学习框架双雄：TensorFlow与PyTorch的较量与共生目录引言：人工智能时代的操作系统之争一、TensorFlow：工业级AI的基石1.1 起源：从Google Brain到开源社区

荔枝成熟度分割数据集labelme格式2263张3类别数据集中902张是原图剩余为增强图片，增强主要是拼接增强和椒盐噪声数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)

我是你们的星光

基于深度学习的高效图像失真校正框架总结原文链接目录基于深度学习的高效图像失真校正框架总结1. 研究背景与问题2. 方法概述：两阶段校正框架3. 实验与性能

水花花花花花

GloVe 模型讲解与实战目录一、GloVe 模型架构（一）全局共现矩阵构建（二）模型核心假设与优化目标（三）模型训练流程二、子词嵌入与 fastText

SgLang代码细读-2.forward过程Forward的主要过程围绕着 run_batch->TPModelWorker->ModelRunner->Model->layer->AttentionBackend->process_batch_result 这个链条展开

YOLOv8 在单片机上的几种部署方案单片机资源（如内存、计算能力）有限，直接部署完整的 YOLOv8 模型并不现实。不过，我们可以通过模型量化、优化和使用轻量级框架来实现简化版的目标检测。下面为你介绍几种可行的方案：

YOLOv8 在单片机上部署的缺点和应对方案将 YOLOv8 部署到单片机上确实面临诸多技术挑战，主要源于单片机有限的计算资源与 YOLOv8 模型的高复杂度之间的矛盾。以下是具体的缺陷和限制：

卷积神经网络基础（九）之前已经学习过SGD这种方法，虽然实现简单，但是有时候却难以达到最低点。接下来我们要学习一种新的方法：Momentum。

图像分割（2）u-net代码实战——基于视网膜分割整体是一个U型的结构，左边是特征提取层，第一个是做了一个两层的卷积，蓝色箭头就是做了一个3*3的卷积，图中的图像大小会变小，但是本文代码会加入padding，避免图像大小的变化；两层卷积之后进行一个下采样，这里使用最大值池化，每次大小减小一倍；到了最下面，通过卷积变成1024的通道数；到右边进行上采样，注意，这里只取1024通道里面的一半，然后和上一层中的512进行拼接，图中灰色的箭头是裁剪，但是经过padding之后就不需要此步骤。然后一直到右上方，图中通道数是2，实际实践中可以是3,4,5，根据任务来

视觉-和-语言导航的综述：任务、方法和未来方向22年6月来自UC Santa Cruz、澳大利亚的阿德莱德大学和 USC 的论文“Vision-and-Language Navigation: A Survey of Tasks, Methods, and Future Directions”。

妄想成为master

深度学习详细入门路线----以本人亲身实践得出大家好相信有很多人现在正面临着大三考研保研不知道面试的时候如何和老师沟通的问题亦或者你可能是研0或者研一导师交给你一个深度学习的项目而你却从来没接触过不知道该如何入门本文将以一个初学者的角度分析如何入门深度学习同时也是对三个月以来学习路线的梳理首先认识深度学习我不知道有多少人是被这个名字吸引过来的反正我是深度学习听着是不是就比电机嵌入式什么的高级一些呢哈哈哈言归正传所谓深度学习不过是神经网络的层数更多了更深所以在训练深度神经网络的过程就叫做深度学习没错

深度学习---模型预热（Model Warm-Up）模型预热是指在机器学习模型正式训练或推理前，通过特定技术手段使模型参数、计算图或运行环境提前进入稳定状态的过程。其本质是通过预处理操作降低初始阶段的不稳定性，从而提升后续任务的效率、精度或性能。