在实际工作中推荐使用CMake构建C++项目，CMake是用于和软件的开源工具；build静态链接库和动态链接库所谓静态和动态，其区别是链接的阶段不一样。静态链接库链接发生在编译环节，库名称为.a（archicve library），最终输出的库或可执行文件会将静态连接库打包到工程的输出文件中（可执行文件或库），因此文件较大。动态链接库链接发生在程序执行过程中，库名称为.so(shared obj

连续更新 模型部署+C++

设置settings.json。设置 tasks.json。设置launch.json。

角度的物理范围是。

数据加载：使用多个进程来并行加载和预处理数据，通过流水线处理减少数据加载的延迟。数据传输：利用 CUDA 流优化从固定内存到 GPU 的数据传输。数据并行性：使用数据并行和 NCCL 等通信库实现高效的梯度同步和模型参数更新，优化训练过程。这种方法结合了数据加载、数据传输和数据并行处理的优化，能够显著提升深度学习模型的训练效率和速度。dataset,num_workers=4, # 使用 4 个子

连续更新 模型部署+C++

今天我们一起来回顾一下BEV中的经典论文LSS，只要是学习BEV，那么肯定离不开这篇文章，重要性不言而喻。自动驾驶中，输入来自多个传感器，每个传感器有不同的坐标系，感知模型最终需要生成一个在自车坐标系下的预测，以供后续的运动规划模块使用，如图所示。既然需要BEV，那么最原始的方法是怎么做呢：对于来自个摄像头的3D物体检测问题，可以对每个输入图像单独应用一个单图像检测器，然后根据该摄像头的内参和外参

普通卷积的参数量较大，尤其是在输入和输出通道数较多时。深度卷积和逐点卷积的组合（深度可分卷积）通常具有较少的参数量。可变形卷积引入了额外的偏移量卷积参数，可能会增加总参数量，但提供了对输入特征图几何变化的更好适应能力。

训练加速指的是通过优化技术、硬件加速等方式，减少训练模型的时间，尤其是对于大规模数据集和复杂模型。推理加速是指在模型已经训练好之后，优化模型的预测过程，以便在实际应用中快速进行推理（即前向传播），从而提高模型的响应速度或处理效率。训练加速场景：假设你在训练一个大规模的图像分类模型（如 ResNet50）在 ImageNet 数据集上，使用多卡分布式训练和混合精度，可以显著缩短训练时间，尤其是当数据

在训练模型时，尤其是在使用远程服务器或集群时，运行screen是一种非常实用的方式，特别是当你希望在训练过程中保持会话稳定、不被中断。下面是关于screen的一些基本介绍以及如何在训练模型前使用screen。