Ubuntu20.04系统U盘方式安装，Nvidia驱动，cuda, cudunn等基本配置

GAN(Generative Adversarial Networks)生成对抗网络基于这种思想后续出现了非常多的GAN架构的生成模型，其中比较典型的是DCGAN 和WGAN, 这篇文章通过讲解GAN思想，实现一下DCGAN代码生成人脸，最后再分析一下WGAN。

语义分割是对图像中的每一个像素进行分类，从而完成图像分割的过程。分割主要用于医学图像领域和无人驾驶领域。和其他算法一样，图像分割发展过程也经历了传统算法到深度学习算法的转变，传统的分割算法包括阈值分割、分水岭、边缘检测等等，面临的问题也跟其他传统图像处理算法一样，就是鲁棒性不够，但在一些场景单一不变的场合，传统图像处理依旧用的较多。FCN是2014年的一篇论文，深度学习语义分割的开山之作，从思想上

通过ollama实现deepseek本地部署，通过anything llm搭建个人知识库。

一. ResNet算法介绍残差神经网络(ResNet)是由微软研究院的何恺明等人提出的。ResNet 在2015 年的ILSVRC中取得了冠军。通过实验，ResNet随着网络层不断的加深，模型的准确率先是不断的提高，达到最大值（准确率饱和），然后随着网络深度的继续增加，模型准确率毫无征兆的出现大幅度的降低。这个现象与“越深的网络准确率越高”的信念显然是矛盾的、冲突的。ResNet团队把这一现象称为

在图像分割这个问题上，主要有两个流派：Encoder-Decoder和Dialated Conv。本文介绍的是编解码网络中最为经典的U-Net。随着骨干网路的进化，很多相应衍生出来的网络大多都是对于Unet进行了改进但是本质上的思路还是没有太多的变化。比如结合DenseNet 和Unet的FCDenseNet, Unet++一、Unet网络介绍论文：https://arxiv.org/abs/15

Transformer取代RNN，在nlp大杀四方之后，也来CV领域争夺市场了，大有取代CNN的趋势。目前关于Transformer在CV领域的应用越来越多，本文选具有代表性的有用于分类的Vit，用于检测的detr，和用于分割的mask2former做了简单介绍。

在图像分割这个问题上，主要有两个流派：Encoder-Decoder和Dialated Conv。本文介绍的是编解码网络中最为经典的U-Net。随着骨干网路的进化，很多相应衍生出来的网络大多都是对于Unet进行了改进但是本质上的思路还是没有太多的变化。比如结合DenseNet 和Unet的FCDenseNet, Unet++一、Unet网络介绍论文：https://arxiv.org/abs/15

一、VGG16的介绍VGG16是一个很经典的特征提取网络，原来的模型是在1000个类别中的训练出来的，所以一般都直接拿来把最后的分类数量改掉，只训练最后的分类层去适应自己的任务（又叫迁移学习）,这种做法为什么有用呢，可能是自然界中的不同数据，分布具有相似性吧。本文不打算这么干，本文将修改一下vgg的网络自己重新训练。先看看VGG的原生网络特点：１．网络结构及其简单清晰，五层卷积＋三层全连接＋sof

yolo系列在目标检测领域的地位就不用说了，github上有pytorch实现的训练yolov5的代码，本文将用自己的数据去训练一个yolov5的模型。参考代码地址https://github.com/ultralytics/yolov5/tags注意这里我们选择tags下的v1.0版本进行训练，不同的版本代码是不一样的，复现过程也有所差异。其中v1.0版本的训练过程和yolov3很相似一、准备自