这是一个非常新的 GPU 架构。而稳定版的 PyTorch 通常只支持到 sm_90 或更早的计算能力，因此无法在 RTX 5090 上运行。PyTorch Nightly 版本通常包含对最新 GPU 架构的支持。: Nightly 版本是开发版本，可能不如稳定版稳定，但通常包含对最新硬件的支持。: 当 PyTorch 官方发布支持 sm_120 的稳定版本后，建议升级到稳定版。说明当前 PyTo

内容说明问题来源WSL 中 cursor-remote 进程残留与锁文件冲突报错表现“文件已存在”, “Install in progress…” 无限循环解决方式在 WSL 中清理进程和锁文件服务器端是否需要处理❌ 不需要，错误不在服务器端Windows 是否需要处理❌ 不需要，cursor-remote 不在 Windows 内运行清理残留进程与锁文件即可彻底修复。

阶段任务分类损失回归损失是否只对正样本回归RPN二分类交叉熵损失Smooth L1✅ 是Fast R-CNN多分类Softmax + 交叉熵Smooth L1（多类）✅ 是这种设计是 Faster R-CNN 成功的重要原因之一，为后续如 Mask R-CNN、RetinaNet 等提供了统一思路。

Lmatch−1ci≠∅pσici1ci≠∅Lboxbibσi(1)Lmatch​−1ci​∅​p​σi​ci​1ci​∅​Lbox​bi​bσi​​11ci≠∅1ci​∅​是一个指示函数，当第iii个物体有有效类别时取值为 1，否则为 0；cic_ici​表示第iii个物体的真实类别；σi\sigma(i)σi表示与第ii。

Lmatch−1ci≠∅pσici1ci≠∅Lboxbibσi(1)Lmatch​−1ci​∅​p​σi​ci​1ci​∅​Lbox​bi​bσi​​11ci≠∅1ci​∅​是一个指示函数，当第iii个物体有有效类别时取值为 1，否则为 0；cic_ici​表示第iii个物体的真实类别；σi\sigma(i)σi表示与第ii。

在计算各个分类指标前，博主准备了两个预训练二分类模型，并在测试集上测试它们，获得对应的预测分数和预测标签，其。）[1] 是一个用于描述分类模型性能的工具。它用于总结分类算法在测试数据集上的表现情况。：正类一般是研究中所关注的一类样本。对指标的计算我们借助机器学习库。