使用命令克隆远程github仓库时超时，如下图所示：以下载某个仓库为例，报错信息为：解决办法参考stackoverflow上的帖子，给本地git工具设置代理，顺利下载代码，如下图：设置全局性http代理的代码如下（假定http代理的端口为7890）：查看当前http代理状态：取消http代理设置：完整示例

日常经常用到这俩的一些环境变量，特记录下来，如有错误，还请指正。

**多GPU训练模式**可以分为两大类：一类是将数据分割后在多个GPU上并行处理；另一类是当模型大小超过单个GPU显存时，将模型分割到多个GPU上处理。数据并行属于第一类，而模型和张量并行则属于第二类。**流水线并行**则融合了这两种模式的思想。除此以外，像`DeepSpeed`、`Colossal-AI`等产品也将多种思想结合，形成了新的混合方案。

经过同事推荐，开始尝试使用uv管理Python环境，效果相当不错。

Transformer 是一种基于自注意力机制的深度学习模型架构，最初由 Google 在 2017 年提出（论文《Attention Is All You Need》）。它彻底改变了自然语言处理（NLP）领域，并成为 GPT、BERT 等大模型的基础架构。

应用获取更多高质量数据、数据增强、预训练等方法，减少机器学习中的过拟合现象。

ReLU（Rectified Linear Unit，修正线性单元）函数是深度学习中常用的激活函数之一。它的定义非常简单：对于输入值xxx，如果xxx大于0，则输出xxx；如果xxx小于或等于0，则输出0。ReLUxmax⁡0xReLUxmax0xfxxifx00ifx≤0f(x) =fxx0​ifx0ifx≤0​ReLU函数图像如下所示：当输入为负数或零时，输出为零；当输入为正数时，输出等于输入

本文档介绍如何在 C++ 项目中使用 SQLite3 数据库，假设通过 vcpkg 安装了 SQLite3。因本机为Windows环境，为方便，用了本机的Visual Studio 2022 创建cmake项目。

本文介绍了卷积神经网络（CNN）各类层的参数量计算方法，包括卷积层、全连接层、分组卷积、深度可分离卷积等，并分析了参数量在模型复杂度评估、硬件资源分配、模型优化和学术对比中的核心价值。通过具体公式和示例，帮助读者理解如何量化和优化神经网络的参数规模，以指导实际应用和研究。

因为conda的协议变化，我也逐步开始使用uv做python包管理，效率很高，效果很好。但最近认真看了uv add的提示，当uv的缓存区（我的是Windows系统，默认放在文件夹下）和我们的python项目在不同分区时，会出现提示，警告说这么搞可能会降低性能。or use。