什么是git LFSLFS是Large File Storage的缩写，用了帮助git管理大的文件原理：不同于每次保存diff，如果是模型或者一些设计大文件，改变一点，对于仓库来说会增加很大的体积，不一会就能几个G。对于git lfs来说，在使用git lfs track命令后，git push的时候，git lfs会截取要管理的大文件，并将其传至git lfs的服务器中，从而减小仓库的体积...

文章为发表在CVPR2022的一篇文章。从名字可以看出文章像提出一个可以统一处理各种分割任务（全景分割、语义分割、实例分割）的网络。

问题描述：训练一个有四个阶段模型的网络（可以简单理解每一阶段就是一个卷积层），每阶段输出都会进行loss计算。现将pytorch原始的ce loss改为focal loss后，网络训练了数个迭代后loss 报nan。输入数据检查过没有问题，报nan时的前一个迭代的loss是正常的。报nan的当前迭代，第一个阶段所有的卷积参数都已经是nan了。一、问题排除因为查看过数据，完全没有问题，排除输入因为参

本文从ap计算到map计算，最后到coco[0.5:0.95:0.05] map的计算，一步一步拆解物体检测指标map的计算方式。

本文想从数据流的方式走一遍多模态大模型推理流程，但不包含vit和llm具体的计算流程，因为里面基本是常见的attention计算方式。attention的计算方式可以参考。

前言其实这个问题困扰我有一段时间，相信也有人和我一样有这个困扰，网上已有很多这种解释了，但是要么就是无图，要么就是解释的很乱，没太看懂，经过自己对git的使用，加上向同事请教，算是理解了这个问题，所以写下来分享一下，我尽量详细说明merge与rebase的区别假设我们有如下图一所示仓库，该仓库有master和develop两个分支，且develop是在（3.added merge.tx

什么是git LFSLFS是Large File Storage的缩写，用了帮助git管理大的文件原理：不同于每次保存diff，如果是模型或者一些设计大文件，改变一点，对于仓库来说会增加很大的体积，不一会就能几个G。对于git lfs来说，在使用git lfs track命令后，git push的时候，git lfs会截取要管理的大文件，并将其传至git lfs的服务器中，从而减小仓库的体积...

本文提出PowerPaint算法，基于Stable Diffusion框架，通过引入三个可学习提示（prompt）实现图像修复、物体生成和形状引导生成等多功能任务。方法扩展SD输入通道至9个，包含原始图像、掩码图像和掩码信息。三个提示分别用于背景修复（$P_{ctxt}$）、物体生成（$P_{obj}$）和形状引导生成（$P_{shape}$），其中$P_{shape}$采用膨胀掩码和比例参数α控

一切要从最近大火的Lora(）说起，该文章在ICLR2022中提出。说的是利用低秩适配(low-rank adaptation)的方法，可以在使用大模型适配下游任务时只需要训练少量的参数即可达到一个很好的效果。LoRA是怎么去微调适配下游任务的？流程很简单，LoRA利用对应下游任务的数据，只通过训练新加部分参数来适配下游任务。而当训练好新的参数后，利用重参的方式，将新参数和老的模型参数合并，这样既

图片处理特定任务上的数据集规模较小，例如LAION-5B这种数据集是特殊领域图像处理数据集（100k）的5w倍图片处理任务还是靠数据驱动的，所以想要在特定的硬件资源和时间上快速的训练一个大网络是比较难的图像处理任务非常的多样，目前还没有一个灵活的方式将不同的任务采用end-to-end方式完成，还是不同的任务用不同的方式来适配任务本文提出一种方法可以使得大模型在特定领域的小数据集上训练而不会过拟合