wangssd

摘要： 模型算法(最难，模型结构与训练方法) 数据（最耗时，数据与模型效果之间的关系） 算力（GPU显卡+模型量化） 模型参数量、训练数据量： 模型参数量决定 整个模型的理论效果 训练数据量决定 整个模型的实际效果 多模态：用于表示某种信息的模式（图片、文字、语音、视频） 通过各种预训练模型将信息的不同模式 阅读全文

摘要： 链接：https://www.zhihu.com/question/585468191/answer/2905219147 optim.SGD是PyTorch中的一个优化器，其实现了随机梯度下降（Stochastic Gradient Descent，SGD）算法。在深度学习中，我们通常使用优化器来 阅读全文

摘要： Android Studio可以使用java编写Android客户端 Android Studio + sqlite（数据库） sqlite致力于为单个应用程序和设备提供本地数据存储，更适合提供本地文件存储，或为每天几十万点击量的网站提供数据支持。 Android客户端+基于Spring的Java后 阅读全文

摘要： 1.选择合适的模型架构 总结：当开始一个新的工程时，试着复用已经有效果的模型 1）首先，选择一个已经被广泛使用和建立起来的模型架构来先让其正常工作。可以在以后再建立一个定制化的模型。 2）模型架构一般都具有多种超参数，这些超参数决定了模型的尺寸和其他一些细节（如，层数，层 宽，激活函数的类型），因此 阅读全文

摘要： PCI（小区物理编号） PCI = PSS + 3*SSS 一共504种（主、辅同步信号） PSS的取值范围为（0/1/2） SSS的取值范围为（0~167） 下行RS（Reference Signal）参考信号，也成导频信号 RSRP，参考信号信号功率 作用：信号质量的评估 通俗解释：发送一个双方 阅读全文

摘要： Colossal-AI是一个专注于大规模模型训练的深度学习系统，Colossal-AI基于PyTorch开发，旨在支持完整的高性能分布式训练生态。Colossal-AI已在GitHub上开源。 在Colossal-AI中，我们支持了不同的分布式加速方式，包括张量并行、流水线并行、零冗余数据并行、异构 阅读全文

摘要： PyTorch Mobile网站介绍，处在Beta阶段，待API稳定之后，很快会推出稳定版。Feature包括： 为ios，Android，Linux提供支持； 提供API，涵盖将 ML 集成到移动应用中所需的常见预处理和集成任务； 通过TorchScript IR支持tracing与scripti 阅读全文

摘要： https://blog.csdn.net/qq_32507417/article/details/107505719 阅读全文

摘要： 阅读全文

摘要： LeNet，第一个可商用的神经网络，仅有5个卷积层，51K参数量。 MIT的韩松老师在2015年提出了一些观测：预先训练好的AlexNet、VGGNet模型中，去掉大约90%的参数，它的精度还是无损的。因此韩松老师开始提出一些模型压缩的技术。 模型蒸馏：去掉原始模型中的光流模块，帮助我们解决稳定性的 阅读全文