而在 DFC 中，每个 patch 的注意力值的计算直接与它水平或垂直位置的 patch 有关，而这些水平或垂直位置的 patch 的计算又与它们水平或垂直位置的 patch 有关。DW卷积的一个卷积核负责一个通道，例如对一个3×5×5的图片，输出通道数要与输入通道数相同，则普通卷积操作需要3×3×3×3的卷积核，但DW卷积操作只需要3×3×3的卷积核。PW卷积相反，是一个1×1×C的卷积核，对每

论文：https://arxiv.org/pdf/1911.08287.pdfYOLOv-DIoU开源代码：https://github.com/Zzh-tju/DIoU-darknet

论文：https://arxiv.org/abs/2005.12872代码：https://github.com/facebookresearch/detr参考https://blog.csdn.net/longxinchen_ml/article/details/86533005

SmoothL1 Loss采用该Loss的模型（Faster RCNN，SSD，，）SmoothL1 Loss是在Faster RCNN论文中提出来的，依据论文的解释，是因为smooth L1 loss让loss对于离群点更加鲁棒，即：相比于L2 Loss，其对离群点、异常值（outlier）不敏感，梯度变化相对更小，训练时不容易跑飞。假设x是预测框与 groud truth 之间 element

同样提供了两个模型版本，分别为VisCPM-Paint-balance和VisCPM-Paint-zhplus，前者在英文和中文两种语言上的能力较为平衡，后者在中文能力上更加突出。---------------------------------------文生图--------------------------------------------------------------------

大型语言模型(llm)在语言理解和生成方面表现出了非凡的能力。从基础llm到后续llm，指令调整在使llm与人类偏好保持一致方面起着至关重要的作用。然而，现有的llm通常专注于英语，导致非英语语言的表现较差。为了提高非英语语言的性能，需要为基础llm收集特定语言的训练数据，并构建特定语言的指令进行指令调优，这两者都是繁重的工作。为了最大限度地减少人工工作量，我们建议通过交互式翻译任务将语言生成和指

Layer-wise Pruning and Auto-tuning of Layer-wise Learning Rates in Fine-tuning of Deep Networks这篇论文是上个月刚出的关于剪枝方面的论文。作者：首尔大学团队论文下载地址：https://arxiv.org/abs/2002.06048Layer-wise剪枝+AutoLR：深度网络微调中的层级剪枝和...

论文：https://arxiv.org/abs/2005.12872代码：https://github.com/facebookresearch/detr参考https://blog.csdn.net/longxinchen_ml/article/details/86533005

本文代码基于：https://github.com/ultralytics/yolov3首先介绍数据集，来源于AI研习设的一个比赛，见链接：https://god.yanxishe.com/32

上周末由于某些莫名的原因重装了系统，又重新捣鼓了一次深度学习环境全套安装~~吐血~~做个记录，方便下次继续重装系统又要安装。。。。。本次所有安装基于Ubuntu16.04系统下安装，且只是记录安装的大概过程，安装好后的环境是nvidia-410, Cuda10.0.130，cudnn7.6.5，Anconda5.1（Python3.6.4）， Tensorrt7.0.0.11。安装NVID...