摘要：
1. 前言 LangChain是一个用来构建LLM应用的开源框架，主要是为基于大语言模型的应用提供一系列的构建工具包。这个短课程的主要内容有： 模型、提示和解析器：调用LLM，提供提示并解析响应。 LLM的记忆：用于存储对话和管理有限上下文空间的记忆。 链式操作：创建操作序列。 文档问答：将LLM应 阅读全文
摘要：
参考博客：MobileViT模型简介 参考视频：15.1 MobileViT网络讲解 MobileViT结构上是一个混合模型，CNN+Transformer，比主流的轻量化ViT网络和轻量化CNN网络参数量少，精度高，缺点是推理速度慢，下图可以看到，推理时间是MobileNetV2的8倍。 网络结构 阅读全文
摘要：
参考博客：ConvNeXt网络详解 参考视频：13.1 ConvNeXt网络讲解 ConvNeXt其实就是面向Swin Transformer的架构进行炼丹，最后获得一个比Swin Transformer还要牛逼的网络。 阅读全文
摘要：
参考博客：Swin-Transformer网络结构详解 参考视频： 12.1 Swin-Transformer网络结构详解 Swin Transformer论文精读【论文精读】 使用了类似卷积神经网络中的层次化构建方法（Hierarchical feature maps），比如特征图尺寸中有对图像下 阅读全文
摘要：
参考博客：Vision Transformer详解 参考视频：11.1 Vision Transformer(vit)网络详解 基本流程： 提取embedding：将原图分为若干patch，使用convnet提取每个patch的特征作为embedding，然后在前面concat一个用来分类的embe 阅读全文
摘要：
参考博客：睿智的目标检测36——Pytorch搭建Efficientdet目标检测平台参考视频：Pytorch 搭建自己的Efficientdet目标检测平台EfficientNet+BIFPN+解耦Head（类似RetinaNet），Anchor-Base 阅读全文
摘要：
参考博客：FCOS网络解析 参考视频：FCOS网络讲解 从Anchor-Base转到Anchor-free，其实会有几个问题，一个是如何匹配正负样本？第二个是预测时中心点坐标怎么定？ 如何匹配正负样本？ 网络采用了FCN，得到若干个待预测的特征图，然后将每个GT的范围映射到特征图中，只要特征图中的某 阅读全文
摘要：
1. V1参考博客：EfficientNet网络详解 参考视频：9.1 EfficientNet网络详解 基于MobileNetV3的基本模块改进后形成EfficientNet-B0，并以其为基准网络，对输入图像分辨率r，网络的深度depth及网络的宽度width三个参数，在限定内存和计算量的条件下 阅读全文
摘要：
1. 前言 google团队MobileNet系列的第三个版本，在论文《Searching for MobileNetV3》中提出。感觉主要在Mnasnet和MobileNetV2上进行改进，主要工作有以下几点： 更新V2中的倒残差结构（bneck），重新设计激活函数 使用NAS搜索参数 重新设计耗 阅读全文
摘要：
1. 前言 这篇论文也是何凯明的团队在2017年的论文《Focal Loss for Dense Object Detection》中提出的，网络架构魔改了FPN，因此这篇论文的重点是提出了新的分类Loss——Focal Loss，用一个合适的函数，去度量难分类和易分类样本对总的损失函数的贡献。解决 阅读全文