小博主拍了拍你的脑袋发了一个神秘链接：oldpan.me爽啊。前一阵子忍不住剁手买了M1芯片的mac mini，为了弥补自己的内疚感就卖了自己的旧的mbp2017款。数据也完全迁移到了新机器上，之前的工作也就由mbp2017彻底换成mac mini了，要换就换彻底点，不要给自己了留后路，哼。为什么买mini而不是macbook系列，当然是为了减少一下尝鲜的成本，mini对于有显示器有键盘的童鞋来说

开篇老潘刚开始接触神经网络量化是2年前那会，用NCNN和TVM在树莓派上部署一个简单的SSD网络。那个时候使用的量化脚本是参考于TensorRT和NCNN的PTQ量化（训练后量化）模式，使用交叉熵的方式对模型进行量化，最终在树莓派3B+上部署一个简单的分类模型（识别剪刀石头布静态手势）。这是那会的一篇文章，略显稚嫩哈哈：一步一步解读神经网络编译器TVM(二)——利用TVM完成C++端的部署转眼间过

Generative Adversarial Networks（生成对抗网络）In 2014, Goodfellow et al. presented a method for training generative models called Generative Adversarial Networks (GANs for short). In a GAN, we build two diff

作为一名程序员，调试（debug）程序是一项必会的事情，在利用pycharm这个pythonIDE时，不好好利用其调试功能真的是太可惜了。借用这两天学习机器学习的工程。在Deep_Learing工程中创建两个python文件，其中执行程序的文件名称为main.py，另一个KNN.py则是机器学习中一个小的模块，其中有算法代码。在main.py中这样编写：最关键的是写出if __name__ =

关于本文章的最新更新请查看:oldpan博客前言对于很多入门深度学习领域的小伙伴来说啊，拥有一款合适的显卡是必要的，只有拥有好的装备才能更好更快地进行神经网络的训练、调试网络结构、改善我们的代码，进而更快地产出结果。也就是说，显卡可以代表生产力，显卡越好，生产力越强。程序训练的速度越快，我们也就可以更方便地看到结果从而进行下一步。大家可以回顾一下我在之前发布的几篇关于显卡的文章：更...

关于本文章的最新更新请查看:oldpan博客前言填一个之前的坑啊，本篇的姊妹篇——利用Pytorch的C++前端(libtorch)读取预训练权重并进行预测 这篇文章中已经说明了如何在Ubuntu系统中使用libtorch做预测，当初也有朋友问我如何在Windows之下尝试使用libtorch，当时因为时间关系没有去看，后来就给忘了…现在有时间了当然要尝试一下~当然先说结论哈，其实在Wind...

开篇老潘刚开始接触神经网络量化是2年前那会，用NCNN和TVM在树莓派上部署一个简单的SSD网络。那个时候使用的量化脚本是参考于TensorRT和NCNN的PTQ量化（训练后量化）模式，使用交叉熵的方式对模型进行量化，最终在树莓派3B+上部署一个简单的分类模型（识别剪刀石头布静态手势）。这是那会的一篇文章，略显稚嫩哈哈：一步一步解读神经网络编译器TVM(二)——利用TVM完成C++端的部署转眼间过

前言我们对Pytorch的debug一般都是在python端进行，这对于一般搭建模型的任务来说足够了。但如果我们需要对Pytorch进行一些修改或者研究一下机器或深度学习系统是如何搭建的，想要深入探索就必须涉及到C++的源码层面。举个栗子，例如torch.rand(3, 4)这个函数，在Python我们无法通过python端debug进入其内部实现，也无法找到其定义，自然也无法探索其具体的实现细节

官方介绍: http://matplotlib.org/faq/usage_faq.html#matplotlib-pylab-and-pyplot-how-are-they-related先来说matplotlib与pylab这些模块其实功能都相同，程序运行的时候都在运行相同的code，不同的是导入模块的方式不同。我们需要注意的是，matplotlib有两个使用接口，一种是状态机( state-

国内pip源：清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/ 在使用pycharm时，打开avaiable packegs，点击Manage Repositories。点右上方的绿色加号，添加清华源即可（图中三个源：原始，清华，阿里），也可以只使用清华源：在添加包页面进行刷新，看到下载地址改变即可如果想使用命令行pip命令进行下载：使用pip的时候在后