有点锋芒

摘要： 1. Diffusion 轨迹生成 1. Navsim 学习型智能体 您的智能体很可能需要包含基于学习的组件。Navsim 提供了一个轻量级且易于使用的训练接口。要使用它，您的智能体必须实现一些额外的功能。 get_feature_builders() 必须返回一个特征构建器列表（类型为 navsi 阅读全文

摘要： 1. ResNet 1. 设计原理 1. 初衷：让网络可以变得更深，同时保持精度不退化 在 ResNet 之前，人们发现简单地堆叠更多卷积层并不能带来持续的精度提升。当网络达到一定深度（如 20 层）后，继续加深反而会使训练误差和测试误差同时升高，这种现象被称为退化问题，而不是过拟合（过拟合是训练误 阅读全文

摘要： 1. 向量的运算 1. 点积 / 内积 (Dot Product / Inner Product) 这是最基础的一种向量乘法，结果是一个标量。 代数定义：对两个同维向量 \(\mathbf{a}, \mathbf{b} \in \mathbb{R}^n\)， \[\mathbf{a} \cdot \ 阅读全文

摘要： 1. 作用 构建词汇表，将索引映射为向量 核心参数 num_embeddings：词汇表的大小（即离散索引的总数，如词表有 10000 个词，则设为 10000）。 embedding_dim：输出向量的维度（如 128、256，需根据任务复杂度调整）。 padding_idx（可选）：指定某个索引 阅读全文

摘要： 1. 标准化（Standardization / Z-Score Normalization） 1. 核心定义 通过线性变换，将数据转换为符合均值为0、标准差为1的标准正态分布。 2. 数学公式 \[z = \frac{x - \mu}{\sigma} \]其中： \(x\)：原始数据值 \(\mu 阅读全文

摘要： 1. ViT(Vision Transformer) 中图像的序列化 \[z_0 = [x_{class}; x^1_pE; x^2_pE;\cdots; x^N_pE] + E_{pos}, E ∈ R^{(P 2 ·C)×D} , E_{pos} ∈ R^{(N +1)×D} \]2. toke 阅读全文

摘要： 1. 核心原理 定义计算逻辑：告诉 GPU 如何执行这个特殊层的计算。 集成到 TensorRT：让 TensorRT 在推理时调用你的计算逻辑。 2. 开发步骤 1. 创建一个插件类，继承TensorRT的 IPluginV2 接口，实现关键函数 #include <NvInfer.h> clas 阅读全文

摘要： 1. 模型导出基础介绍 torch.onnx.export中需要的模型实际上是一个torch.jit.ScriptModule。而要把普通 PyTorch 模型转一个这样的 TorchScript 模型，有跟踪（trace）和记录（script）两种导出计算图的方法。如果给torch.onnx.ex 阅读全文

摘要： 随着BEV方法研究的越来越深入，BEV特征的构建方式也逐渐分为了dense特征和sparse两大类。 dense BEV特征的构建方法直观，性能也较好，但是难以避开计算复杂度的问题。 而基于sparse query的方法可以避免构建dense特征的大量无效计算，可以更高效，更快地实现有效特征提取。 阅读全文

摘要： 1. 数组 2. 链表 3. 栈 4. 队列 5. 树 红黑树（自平衡二叉树） 增删改查时间复杂度 O（log n） 二叉搜索树（BST）：左子节点 < 父节点 < 右子节点。 问题：若插入顺序不当（如从小到大插入），BST 会退化为链表，查找效率从 O(log n) 降为 O(n)。 平衡二叉树（ 阅读全文