作者：buldajs链接：https://www.zhihu.com/question/53354718/answer/207687177来源：知乎Depth Map Prediction from a Single Image using a Multi-Scale Deep NetworkNIPS2014，第一篇CNN-based来做单目深度估计的文章。基本思想用的是一个Multi-scale

​2006年，NVIDIA公司发布了CUDA，CUDA是建立在NVIDIA的CPUs上的一个通用并行计算平台和编程模型，基于CUDA编程可以利用GPUs的并行计算引擎，来更加高效地解决比较复杂的计算难题。近年来，GPU最成功的一个应用就是深度学习领域，基于GPU的并行计算已经成为训练深度学习模型的标配。目前，最新的CUDA版本为CUDA 9。...

目录1. pytorch中的数据类型1.1 标量——维度为0——用于loss1.2向量——维度为1——用于bias、线性输入数据1.3二维tensor1.4三维tensor1.5四维tensor1.6 其他引言：pytorch是面向计算的GPU加速库，所以里面的所有操作对象都是tensor(张量)。本文主要介绍pytorch中的数据类型，tensor的创建，索引与切片，维度变换、拼接与拆分、基本数

在Linux 20.04（Ubuntu 20.04）系统中安装搜狗输入法后，如果遇到重启后可视化界面无法点击的问题，这通常是由于搜狗输入法或其依赖的输入法框架（如fcitx）与系统的某些部分不兼容所导致的。

卷积后卷积层大小W2= (W1-F+2P)/S +1即 (原始图像的宽度-卷积核的宽度+2倍的填充宽度)/步长 + 1采用K个大小为FxF的卷积核，进行步长为S, 填充为P的卷积运算后，得到的层的宽为W2,高为H2, 深度为D2,计算如下所示。参数量大小(FxFxD1)xK + K即（卷积核宽x卷积核高）x卷积核的个数 + 偏差个数（即卷积核的个数，每一层有一个bias）Padding的大小P =

Max Pooling是什么在卷积后还会有一个 pooling 的操作。max pooling 的操作如下图所示：整个图片被不重叠的分割成若干个同样大小的小块（pooling size）。每个小块内只取最大的数字，再舍弃其他节点后，保持原有的平面结构得出 output。注意区分max pooling（最大值池化）和卷积核的操作区别：池化作用于图像中不重合的区域（这与卷积操作不同）这个图中，原来是4

1. 安装vscode2.安装vscode的c++拓展 如下3个3. 打开项目，点击三角形 debug按钮，在 launch.json中 配置 调试器（gdb）、输出项目名称（program）、命令行参数（args）4. 点击cmake按钮，进入cmake子界面，点云 配置(方框左箭头)、编译（下箭头）5. 点击三角形，进入debug界面，进行调试...

准确率对比复杂度对比ResNet:前向传播时间和功耗对比总结

Max Pooling是什么在卷积后还会有一个 pooling 的操作。max pooling 的操作如下图所示：整个图片被不重叠的分割成若干个同样大小的小块（pooling size）。每个小块内只取最大的数字，再舍弃其他节点后，保持原有的平面结构得出 output。注意区分max pooling（最大值池化）和卷积核的操作区别：池化作用于图像中不重合的区域（这与卷积操作不同）这个图中，原来是4

说明最近在使用pytorch的时候，模型训练时，不需要使用forward，只要在实例化一个对象中传入对应的参数就可以自动调用 forward 函数. (model(args-list) 等价于 model.forward(args-list))forward 的使用class Module(nn.Module):def __init__(self):super(Module, self).__in