本文提出了一种基于Transformer的动作分块（ACT）算法，用于解决低成本机器人系统在精细操作任务中的模仿学习问题。该算法通过动作分块和时间集成技术，有效减少了误差累积问题，并采用条件变分自编码器（CVAE）来建模人类演示数据中的噪声和变异性。实验表明，ACT仅需10分钟的演示数据即可在6项高难度任务上实现80%-90%的成功率。消融研究验证了动作分块和时间集成的有效性，并显示该方法显著优于

对小目标检测的损失优化思路和代码复现、和A Normalized Gaussian Wasserstein Distance for Tiny Object Detection论文的理解

在Yolo训练自己数据集的时候，如果数据量少为了提升训练效果，通过数据增强的方法让已有的数据扩增是一种有效的方法。

对比LayerNorm和RMSNorm的区别和应用场景

浅析深度学习中BN层的原理和作用，以及为什么使用BN层通常可以帮助网络更好的学习

关于torch.jit.trace和torch.jit.script的使用以及其工作原理的理解

以图文的方式介绍如何在GitHub上传自己的代码，包含一些常见问题的介绍

浅析深度学习中BN层的原理和作用，以及为什么使用BN层通常可以帮助网络更好的学习

我们提出了网络瘦身技术来学习更紧凑的CNN。它直接对批量归一化层中的缩放因子施加稀疏性引起的正则化，因此可以在训练过程中自动识别不重要的通道，然后进行修剪。在多个数据集上，我们已经证明所提出的方法能够显着降低最先进网络的计算成本（高达20倍），并且不会损失准确性。更重要的是，所提出的方法同时减少了模型大小、运行时内存、计算操作，同时为训练过程引入最小的开销，并且生成的模型不需要特殊的库/硬件来进行

对比LayerNorm和RMSNorm的区别和应用场景