区分iteration&Batch size&Epoch

1×1卷积核在卷积神经网络（CNN）中扮演着关键角色，主要用于调整通道数、融合通道信息以及优化计算效率。

简洁来说：微调（Fine-tuning）是一种迁移学习（Transfer Learning）方法，它基于已经训练好的模型进行优化，使其在新任务或新数据集上表现更佳。通常，我们会从一个在大规模数据集上预训练的模型（如ImageNet上的ResNet、BERT等）出发，对其进行小规模的更新，使其适应特定应用。预训练模型（Pre-trained Model）：利用已有的深度学习模型，该模型已经在大规模数

本博客将介绍深度学习工作中最常用的 Linux 指令，包括 环境管理、文件操作、数据处理、GPU 监控 等方面，并附带示例。

目录一、CLIP模型核心思想回顾二、分割任务中的CLIP1.LSeg 模型结构 意义 局限性2.GroupViT 核心思想 模型结构(1) 基础架构(2) Grouping Block​编辑Zero-shot 推理实验​编辑局限性与改进方向研究意义Vision LanguagedownstreamCLIP V1/V2CLIP（Contrastive Language–Image Pretraini

1×1卷积核在卷积神经网络（CNN）中扮演着关键角色，主要用于调整通道数、融合通道信息以及优化计算效率。

简洁来说：微调（Fine-tuning）是一种迁移学习（Transfer Learning）方法，它基于已经训练好的模型进行优化，使其在新任务或新数据集上表现更佳。通常，我们会从一个在大规模数据集上预训练的模型（如ImageNet上的ResNet、BERT等）出发，对其进行小规模的更新，使其适应特定应用。预训练模型（Pre-trained Model）：利用已有的深度学习模型，该模型已经在大规模数

本博客将介绍深度学习工作中最常用的 Linux 指令，包括 环境管理、文件操作、数据处理、GPU 监控 等方面，并附带示例。

简洁来说：微调（Fine-tuning）是一种迁移学习（Transfer Learning）方法，它基于已经训练好的模型进行优化，使其在新任务或新数据集上表现更佳。通常，我们会从一个在大规模数据集上预训练的模型（如ImageNet上的ResNet、BERT等）出发，对其进行小规模的更新，使其适应特定应用。预训练模型（Pre-trained Model）：利用已有的深度学习模型，该模型已经在大规模数