tensorflow.python.framework.errors_impl.InternalError: Blas GEMM launch failed：a.shape=(xx, xx), b.shape=(xx,xx), m=10, n=2, k=10 [Op:MatMul]配置：tensorflow-gpu 2.0pycharm最佳解决方案：重启电脑...

目录环境1.查看自己配了哪些环境2.配一个新环境3.进入和退出环境4.删除环境包（三方库）1.查看安装了哪些包2.删除包3.安装包环境1.查看自己配了哪些环境conda env list2.配一个新环境conda create -n 环境的名字 python=版本号3.进入和退出环境退出：deactivate进入：activate 环境名4.删除环境conda remo...

翻译来源https://pytorch.org/blog/quantization-in-practice/量化是一种廉价而简单的方法，可以使深度神经网络模型运行得更快，并具有更低的内存需求。PyTorch提供了几种量化模型的不同方法。在这篇博客文章中，我们将(快速)为深度学习中的量化奠定基础，然后看看每种技术在实践中是怎样的。最后，我们将以文献中关于在工作流程中使用量化的建议作为结束。量化原理如

目录1.导包&定义一个简单的网络2.多参数剪枝3.全局剪枝4.总结目前大部分最先进的（SOTA）深度学习技术虽然效果好，但由于其模型参数量和计算量过高，难以用于实际部署。而众所周知，生物神经网络使用高效的稀疏连接（生物大脑神经网络balabala啥的都是稀疏连接的），考虑到这一点，为了减少内存、容量和硬件消耗，同时又不牺牲模型预测的精度，在设备上部署轻量级模型，并通过私有的设备上计算以保证

目录总结参数量化参数量化定义参数量化特点1.二值化二值化权重二值化权重与激活函数2.三值化3.聚类量化4.混合位宽手工固定自主确定训练技巧参考文献深度学习模型的压缩和加速是指利用神经网络参数的冗余性和网络结构的冗余性精简模型，在不影响任务完成度的情况下，得到参数量更少、结构更精简的模型。被压缩后的模型计算资源需求和内存需求更小，相比原始模型能够满足更加广泛的应用需求。在深度学习技术日益火爆的背景下

基于深度学习的目标检测总结

背景给导师看了下自己的毕设系统，建议是可以添加一些互动性。可以在纸张检测上弄一下，也就是拍一张带有纸张的图像，然后提取出纸张边缘并提取出来。提取出纸张有很多种方法，以前做车牌识别系统的时候，利用图像处理的方法定位出车牌的位置，用的是轮廓提取的方法， 首先找蓝色的区域（所以只能支持蓝色车牌），然后找到矩形轮廓区域，车牌矩形满足一定的宽高比例，然后就可以找到车牌了。然而纸张并不像车牌那样规规矩矩...

目录总结参数量化参数量化定义参数量化特点1.二值化二值化权重二值化权重与激活函数2.三值化3.聚类量化4.混合位宽手工固定自主确定训练技巧参考文献深度学习模型的压缩和加速是指利用神经网络参数的冗余性和网络结构的冗余性精简模型，在不影响任务完成度的情况下，得到参数量更少、结构更精简的模型。被压缩后的模型计算资源需求和内存需求更小，相比原始模型能够满足更加广泛的应用需求。在深度学习技术日益火爆的背景下

目录torch.mm()torch.sparse.mm()torch.bmm()torch.mul()torch.matmul()总结torch.mm()二维矩阵的乘法，假设输入矩阵mat1维度是(m×n)(m×n)(m×n)​​​，矩阵mat2维度是(n×p)(n×p)(n×p)​​​​，则输出维度为(m×p)(m×p)(m×p)​，只能是二维的​​mat1 = torch.randn(2, 3

tensorflow.python.framework.errors_impl.InternalError: Blas GEMM launch failed：a.shape=(xx, xx), b.shape=(xx,xx), m=10, n=2, k=10 [Op:MatMul]配置：tensorflow-gpu 2.0pycharm最佳解决方案：重启电脑...