摘要：
这里置顶一个索引吧，方便所有人查找。 基础与技巧： matlab练习程序（Schur补） matlab练习程序（正交分解） matlab练习程序（GPU加速） matlab练习程序（生成gif图片） matlab练习程序（克莱姆法则解方程） matlab练习程序（读取列不一致的数据） matlab练 阅读全文
posted @ 2021-01-27 21:45
Dsp Tian
阅读(4951)
评论(0)
推荐(6)
摘要：
1. 安装node.js：按照网站Node.js — Download Node.js®安装即可，选择nvm和npm。 2. 安装claude-code： npm install -g @anthropic-ai/claude-code 3. 服务端后台vllm启动Qwen3-Coder： vllm 阅读全文
posted @ 2026-01-31 16:31
Dsp Tian
阅读(123)
评论(0)
推荐(0)
摘要：
1. 下载Qwen3-Coder模型： modelscope download --model Qwen/Qwen3-Coder-30B-A3B-Instruct --local_dir ./ 2. vllm带工具参数启动模型： vllm serve Qwen/Qwen3-Coder-30B-A3B 阅读全文
posted @ 2026-01-24 11:21
Dsp Tian
阅读(982)
评论(0)
推荐(0)
摘要：
1. 创建环境 conda create -n vllm python=3.10 2. 安装vllm pip install -U vllm --pre --extra-index-url https://wheels.vllm.ai/nightly 3. 下载模型 modelscope downl 阅读全文
posted @ 2025-12-20 10:37
Dsp Tian
阅读(541)
评论(0)
推荐(0)
摘要：
make install DESTDIR=/home/tc/work/ 阅读全文
posted @ 2025-11-18 21:47
Dsp Tian
阅读(7)
评论(0)
推荐(0)
摘要：
下面这两个命令我这里不起作用： colcon build --parallel-workers 6 colcon build --executor sequential 下面命令可以解决卡死问题： MAKEFLAGS=-j4 colcon build 阅读全文
posted @ 2025-11-05 23:06
Dsp Tian
阅读(42)
评论(0)
推荐(0)
摘要：
Python 调用 C++ 模块通常有三种方法： 一、直接调用动态库：通过系统原生的 .so（Linux）或 .dll（Windows）文件进行调用。 二、使用 pybind11：借助这一强大的 C++/Python 绑定库，可以便捷地导出 C++ 函数和类。 三、使用 PyTorch Extens 阅读全文
posted @ 2025-10-08 15:38
Dsp Tian
阅读(113)
评论(0)
推荐(0)
摘要：
之前有学习过输出 CNN 的特征图，不过输出的图不能很直观的表示 CNN 关心的图像重点，Grad-CAM则能比较形象的展示这点。 Grad-CAM 的全称是 Gradient-weighted Class Activation Mapping，即梯度加权类激活映射。 它是一种可视化技术，用于解释和 阅读全文
posted @ 2025-10-02 11:55
Dsp Tian
阅读(427)
评论(0)
推荐(0)
摘要：
自编码器这类模型有下面几个： 自编码器（AE）：目标是压缩与重建。它是一个判别模型，目标是学习数据的高效表示，主要用于降维、去噪和数据压缩，而不是生成新数据。 变分自编码器（VAE）： 学习数据的概率分布并生成。它是一个生成模型。它的关键突破是让隐变量 z 服从一个标准的概率分布（通常是高斯分布）， 阅读全文
posted @ 2025-09-30 11:19
Dsp Tian
阅读(203)
评论(0)
推荐(0)
摘要：
DBBNet重参数化是ACNet的升级版本，又可以叫做ACNetV2。 结构如下，训练时将多个结构并联，推理时整合为一个卷积层： 我实现时发现两个卷积做串联再重参数无法保证输入输出张量一样大，最后参考了原始作者代码发现他将BN层改造了一下，从而保证张量大小一致。 串联两个卷积再做重参数可以参考这篇文 阅读全文
posted @ 2025-09-20 19:59
Dsp Tian
阅读(30)
评论(0)
推荐(0)
摘要：
这些网络提供了一种即插即用的注意力模块，可以嵌入到现有的主流架构（如ResNet, VGG, MobileNet等）中，带来几乎无成本的性能提升。 四种网络核心思想： 1. SENet (Squeeze-and-Excitation Network)： 通道注意力（Channel Attention 阅读全文
posted @ 2025-09-20 10:47
Dsp Tian
阅读(62)
评论(0)
推荐(0)
浙公网安备 33010602011771号