在看随机神经网络的时候，发现许多都提到了玻尔兹曼机。Hopfield神经网络是玻尔兹曼机的基础。所以来学习了H网络。Hopfield网络是最早被提出具有稳定性的反馈网络之一，对后来的工作有很大的影响，例如Hinton就受此启发提出了玻尔兹曼机（听这名字就知道也是跟物理学有关系）。0 简介 Hopfield神经网络是个老古董了，它把生物的联想记忆用物理意义非常直观的方式表示出来，从物理学的角度对记

小记：spconv是一种可插拔模型，即可以用在几乎任何模型中。因为它将一般模型中的Conv3 ** 3换成了一种新的模型（效果和Conv3** 3一样，但是计算量比较小），模型的其他的地方不变。这种轻量级网络目的是：小、快。但今天在实现的时候发现实际情况不是这样。模型就是把原来的3*3conv换成上面所示的结构。结果以vgg19为baseline。参数量方面：从20M（vgg19）降低到7M。推理

all_img = torch.tensor([])# 采用下面的语句读取图片img = torch.from_numpy(cv2.imread('{}.JPEG'.format(5))).unsqueeze(0)# 此时 img 的维度 （1,224,224,3）# 将img合并入all_img 中all_img = all_img.cat((all_img,img)) # 报错 Runtime

Orthogonal Subspace Projection本文引用了以下文献。各位也可以参考看看1.Hyperspectral Image Classification and Dimensionality Reduction An Orthogonal Subspace Projection Aplink.2.Chein-I Chang-Hyperspectral Data Expl...

多维缩放（Multiple Dimensional Scaling）MDS1算法目的一般的数据是高维的，但是与学习任务相关的一般是某个低维度的分布，即一个低维的嵌入。如上图所示2 算法推导算法的原则是：原始空间中样本之间的距离在低维度能够保持算法的目标：获得样本在低维度空间的坐标，且两个任意样本在低维度空间的欧式距离等于原始空间的距离。具体的算法推导可以看看其他的博客，很多都说的...

rviz 小米手机 imu 可视化

/模型类型[n/s/m/l/x/n6/s6/m6/l6/x6 or c/c6 gd gw]因此对于通道数比较多的卷积层和反卷积层，优化力度是比较大的；我学习的是 https://github.com/wang-xinyu/tensorrtx/blob/master/yolov5/yolov5_det_cuda_python.py。参考代码连接： https://github.com/wang-xi