如果想在CUDA上进行计算，需要将操作对象放在GPU内存中。对于普通的张量，可以直接：x = torch.randn(2, 3)x = x.cuda()对于神经网络：model = MyModel()model.cuda()同一个GPU上的张量计算结果仍然保存在该GPU上。参考链接...

本文中的vector指的是std::vector C++11标准。Vector概述vector是表示可以改变大小的数组的序列容器。就像数组一样，vector使用连续存储空间存储元素，这意味着它们的元素也可以使用指向其元素的指针进行偏移来访问，并与数组一样高效。但与数组不同的是， vector的大小可以动态变化，并且是由容器自动处理的。在内部实现上，vector使用动态分配的数组来存储它们的元素。在

匈牙利算法是解决寻找二分图最大匹配的。匈牙利算法(Hungarian Algorithm)是一种组合优化算法(combinatorial optimization algorithm)，用于求解指派问题(assignment problem)，算法时间复杂度为O(n3)O(n3)。Harold Kuhn发表于1955年，由于该算法基于两位匈牙利数学家的早期研究成果，所以被称作“匈牙利算法”。(一)

从0到1实现基于tensorrt的yolo部署教程 http://t.csdn.cn/HUn4T,请点击该链接，即可看到全文本文对于上面的案例，从多batc的角度详细讲解对于充分多batch，能大大提升模型的检测速度，例如多个视频流进行目标检测，我们可以获取多个视频流中的图片，都多张图片一起送往一个网络里进行推理。在生成TensorRT模型的代码，我们应该加入以下代码2. 在模型推理时的代码在推理

公开视频：https://www.bilibili.com/video/BV1664y1o7wg论文：https://arxiv.org/abs/2008.13719源码：https://github.com/ZJULearning/resa现有的车道线检测方法1.基于霍夫变换的传统车道线检测方法，缺点在于不能处理复杂场景（遇到遮挡），不能检测曲线2.基于聚类的实例分割，例如lanent，缺点在于

1.概念迁移学习是指充分考虑数据、任务、或者模型的相似性，将在旧领域学习到的模型，应用到新的领域的一种学习过程。通俗的讲就是把已经学习训练好的模型参数迁移到新的模型进行训练。考虑到大部分数据或任务是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数（也可理解为模型学到的知识）通过某种方式来分享给新模型从而加快并优化模型的学习效率，不用像大多数网络那样从零学习。2.目的与影响2.1 引入迁移

出错如图：解决方法：1.数组不支持append，那么解决办法就是等得到了完整的list再统一转为数组；2.生成一个数组保存列表的数值，不改变原列表

4 维张量在卷积神经网络中应用的非常广泛，它用于保存特征图(Feature maps)数据。例如上图，images的输入格式为[2,3,200,250]，这是一个4维张量。格式定义格式一般定义为：[b,c,h,w]其中????表示输入的数量，????表示特征图的通道数,h、w分布表示特征图的高宽，部分深度学习框架也会使用[ ????, ℎ,w ]格式的特征图张量，例如PyTorch。图片数据是特征

基本的网络构建类模板from torch import nnimport torch.nn.functional as Fclass net_name(nn.Module):def __init__(self):super(net_name, self).__init__()# 可以添加各种网络层self.conv1 = nn.Conv2d(3, 10, 3)# 具体每种层的参数可以去查看文档

转载：https://www.jianshu.com/p/f8ffbf18c312python setup.py install 是我们用来安装下载的python包或者自己按照python官方规范开发的扩展包的常用指令。python setup.py install包括两步：python setup.py build, python setup.py install，这两步，可分开执行， 也可只执