本地目录与 ‘openai/clip-vit-large-patch14’ 同名：如果你的本地目录中有一个名为 ‘openai/clip-vit-large-patch14’ 的文件夹，可能会导致加载错误。请检查你的工作目录或者其他相关目录中是否有同名文件夹，并确保没有命名冲突。模型路径错误：确保 ‘openai/clip-vit-large-patch14’ 是正确的模型路径，可以尝试重新确认模

specifiesinputxandy根据输入值和映射网格（flow-field grid）计算输出。它主要用于在图像处理和计算机视觉任务中，根据给定的网格对输入数据进行采样和插值。提供一个input的Tensor以及一个对应的flow-field网格(比如光流，体素流等)，然后根据grid中每个位置提供的坐标信息(这里指input中pixel的坐标)，将input中对应位置的像素值填充到grid

forward() 是执行该操作的代码。它可以需要 你想要多少个参数，其中一些是可选的，如果你 指定默认值。这里接受所有类型的 Python 对象。Tensor 跟踪历史记录的参数（即， requires_grad=True）将被转换为不跟踪历史记录的内容 在调用之前，它们的使用将被记录在图表中。请注意，这 逻辑不会遍历列表/字典/任何其他数据结构，只会 考虑作为调用的直接参数的张量。你可以 返回

现有的教程在配置基于python的airsim环境过程中，都要求执行完整的编译步骤。请注意，如果你是从传统深度学习时代入门的，你可能对于虚拟数据不屑一顾。如果你只是想采集一些数据，测试一下虚拟数据的效果，那么解决这些bug所需要的时间非常不值得。等方向的从业者可以快速采集一些数据，用于训练、测试自己的模型。如果pip安装无效，可以手动下载，本地安装。

根据矩阵乘法的最基础定义公式，我们知道：结果中的每个元素的计算不依赖于结果中的其他元素。但是，如果定义在并行的方法中，这样的串行代码就会被编译器自动转换成M*N条指令。：这个过程由CUDA运行时自动管理的，如果需要插手优化这环节，需要在核函数设计和块大小分配上间接干预。矩阵相乘是一个非常典型的例子，用于展示CUDA编程和线程块（Block）及线程（Thread）的使用。如果一个SM的资源不足以处理

尽管如此，单目深度估计器在面对内容和布局不熟悉的图像时往往会遇到困难，因为他们对视觉世界的了解受到训练期间看到的数据的限制，并且受到零样本泛化到新领域的挑战。在本文中，我们提出了 MonoProb，一种新的无监督单目深度估计方法，它返回可解释的不确定性，这意味着不确定性反映了网络在深度预测中的预期误差。然后，我们通过一种新颖的自蒸馏损失来提高深度和不确定性方面的表现，学生受到伪地面事实的监督，该伪

资源论文3D finite difference computation on GPUs using CUDAhttps://app.litmaps.co/seed/2915788706?i=2113190809cuSten – CUDA Finite Difference and Stencil Library3D Finite-difference Modeling on a GPU-base

在传统cv中，涉及到颜色的任务有时会用hsv颜色模型。而在深度学习中全在用rgb，推测这一问题没有被深度学习领域的作者发现。于是今天我做了实验，发现只是有轻微提升，可能是rgb映射到hsv早已被模型学到了。点子失效。。。...

*单应性（Homography） : 也就是透视变换。**单应性最初用来研究中的和，而单应性一词，从词源学上来说，大致意思是“相似的绘图”。单应性的概念被引入来理解、解释和研究，特别是从不同角度观察两个平面物体的外观差异。

拿到了新机器，半天时间配置了环境，发现了以前没关注到的点。从conda环境启动的jupyter不一定会是对应安装torch的那个。conda activate pytorch_gpuconda install ipykernelpython -m ipykernel install --user --name pytorch_gpu保证安装好了kernel的驱动...