资源惯例先放资源1.官方的tensorrt文档2.tensorrt官方主页3.tensorrt支持的操作1.为什么需要模型加速模型加速越来越成为深度学习工程中的刚需了，最近的CVPR和ICLR会议中，模型的压缩和剪枝是受到的关注越来越多。毕竟所有的算法想要产生经济效益一定要考虑落地的情况，可能我们看很多论文提出的方法或者说github公布的代码大多关注精度及python环境下的FPS，但在实际的工

1.MSE方式最早的bbox_loss采用的是MSE方法LMSE=(x1−x2)2+(y1−y2)2+(w1−w2)2+(h1−h2)2\mathcal{L}_{\text {MSE}} = (x1-x2)^2 + (y1-y2)^2 + (w1-w2)^2 +(h1-h2)^2LMSE​=(x1−x2)2+(y1−y2)2+(w1−w2)2+(h1−h2)2这种方式计算损失值是检测框的“代理属性

1.介绍及配置说明只需两步简单配置tensorrt，采用cuda(deb) + trt(deb) 安装方式，无需配置cudnn，会在trt安装过程中自动配置。ubuntu20.04gtx16502.注意trt官网只更新到了支持ubuntu18.04,但是经博主尝试发现ubuntu18.04的版本是可以在ubuntu20.04上应用的。默认大家已经安装了cuda驱动哦。各位可以输入指令nvidia-

惯例资源论文地址1.简介相对于传统卷积方式，目前如分组卷积，空洞卷积，深度可分离卷积等，这些新型的卷积方式可以有效的降低模型的FLOPs，然而在实际设备上，由于各种各样的优化计算操作，导致计算量并不能准确地衡量模型的速度，换言之，相同的FLOPs会有不同的推理速度。具体来说，如在GPU运算的一些操作，底层都是调用cuda算子，而这些算子的操作方式，都是由开发人员优化后的，可能并没有针对具体的如深度

前言本文主要分为两部分：第一部分大致的介绍了VGG原理第二部分详细的介绍了如何用pytorch实现VGG模型训练自己的数据集实现图像分类想只看代码部分的同学，可以直接看第二部分内容一：VGG原理简介1.VGG主要工作2014年的论文，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。VGG有两种结构，VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。论文地址：VG

MAE损失函数MAE=∑i=1n∣yi−yip1∣nM A E=\frac{\sum_{i=1}^{n} \mid y_{i}-y_{i}^{p_{1}} \mid}{n}MAE=n∑i=1n​∣yi​−yip1​​∣​以分类问题举例。对于上式中，yiy_{i}yi​代表真实值，yipy_{i}^{p}yip​代表预测值。下面是一个MAE函数的图，其中真实目标值为100，预测值在-10,000至1

c++基础数据类型首先来看一张c++基础数据类型的列表下表显示了各种变量类型在内存中存储值时需要占用的内存，以及该类型的变量所能存储的最大值和最小值。注意：不同系统会有所差异，一字节为 8 位。注意：long int 8 个字节，int 都是 4 个字节，早期的 C 编译器定义了 long int 占用 4 个字节，int 占用 2 个字节，新版的 C/C++ 标准兼容了早期的这一设定。详解：菜鸟

ubuntu如何在github下载一个项目中的单个文件或者子文件1.问题描述如下图所示，我只想下载该项目下的 preprocess ToolBOX 子文件夹2.解决1）点击此文件夹.进入2）复制地址栏的URL地址，如下https://github.com/monkeyDemon/AI-Toolbox/tree/master/preprocess%20ToolBox3）将地址中的 /tree/mas

1.问题描述项目整理构成如下图所示1.1 根目录下py文件引用在项目的根目录比如 aaaa.py文件中引用自定义模块，如下图所示，可以成功。1.2项目的子文件夹下py文件引用如下图所示，在项目的子文件夹models下，有yolo.py文件。在其中引用。如下引用，同文件夹中的 experimental 模块/包出现报错2.解决方案2.1原理1、因为默认的路径不在根目录了，而以当前运行的程序文件夹为根

前言本文主要分为两部分：第一部分大致的介绍了VGG原理第二部分详细的介绍了如何用pytorch实现VGG模型训练自己的数据集实现图像分类想只看代码部分的同学，可以直接看第二部分内容一：VGG原理简介1.VGG主要工作2014年的论文，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。VGG有两种结构，VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。论文地址：VG