- @Zssss12
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
在本文中，我们提出了一种受光流算法启发的卷积层来学习运动表示。我们的表示流层是一个完全可微的层，旨在捕获卷积神经网络中任何特征通道的“流”以进行动作识别。它用于迭代流优化的参数以端到端的方式与其他 CNN 模型参数一起学习，最大化动作识别性能。此外，我们通过堆叠多个表示流层来新引入的学习“流流(flow of flow)”表示的概念。我们进行了广泛的实验评估，证实了它在计算速度和性能方面优于传统的
要理解深度学习中的优化器，核心是从 “如何高效更新模型参数以最小化损失” 这一问题出发，按 “基础→改进→融合” 的逻辑梳理。以下从最简单的优化器开始，逐步深入复杂方案，每个优化器均包含，帮助清晰理解演进脉络。
Conda和Docker在Python项目中各有侧重：Conda专注于解决Python包依赖和版本隔离问题，适用于开发环境管理；Docker则提供系统级隔离，确保从开发到部署的全环境一致性。两者的核心区别在于隔离级别、依赖管理范围和可移植性。实际项目中常配合使用：开发阶段用Conda管理Python依赖，部署时通过Docker打包完整环境，实现"开发即生产"的目标。根据需求选择
以前常看到许多著名的模型中(Transformer,SwinTransformer...)都存在着归一化操作,当时只道是寻常，了解了大概功能和其存在的意义之后就没再深研究，最近自己上代码打算着手实战，相对这个歌操作进行一个概要的梳理，重点在与原理与应用，至于设计者的构思不做详细阐述。
FashionMNIST（时尚MNIST）是一个经典的计算机视觉数据集，用于图像分类任务。它是由 Zalando Research 创建的，旨在替代传统的MNIST数据集，以更贴近实际场景中的图像分类问题。FashionMNIST数据集包含了60,000个用于训练的图像样本和10,000个用于测试的图像样本，总共包括10个类别。每个样本都是灰度图像，分辨率为28x28像素。每个像素的值介于0到25
以前常看到许多著名的模型中(Transformer,SwinTransformer...)都存在着归一化操作,当时只道是寻常，了解了大概功能和其存在的意义之后就没再深研究，最近自己上代码打算着手实战，相对这个歌操作进行一个概要的梳理，重点在与原理与应用，至于设计者的构思不做详细阐述。
FashionMNIST（时尚MNIST）是一个经典的计算机视觉数据集，用于图像分类任务。它是由 Zalando Research 创建的，旨在替代传统的MNIST数据集，以更贴近实际场景中的图像分类问题。FashionMNIST数据集包含了60,000个用于训练的图像样本和10,000个用于测试的图像样本，总共包括10个类别。每个样本都是灰度图像，分辨率为28x28像素。每个像素的值介于0到25
指令微调是连接 “通用预训练模型” 与 “实用化应用” 的关键桥梁 —— 它通过 “指令 - 响应” 数据的监督学习，让模型从 “被动续写” 转变为 “主动响应人类需求”，是目前大语言模型落地（如企业定制化模型、垂直领域 AI 助手）的核心技术之一。没有指令微调，预训练模型的强大能力难以转化为对人类有用的实际价值。
将训练数据集拆分成多个子集，分发到不同设备（如多 GPU），每个设备部署完整的模型副本，各自用分配到的数据子集独立计算梯度，最后汇总所有设备的梯度并更新模型参数，再将更新后的参数同步回各设备。将模型本身拆分成多个部分（按层 / 参数维度拆分），每个部分部署到不同设备，数据按模型执行流程依次通过各设备的模型片段，完成前向 / 反向传播，最终实现完整的模型计算。