1、查看本机显卡首先我们要确定本机是否有独立显卡，在计算机管理-设备管理器-显示适配器中，查看是否有独立显卡。可以看到本机有一个集成显卡和独立显卡NVIDIA GetForce GTX 1050。接下来，测试本机独立显卡是否支持CUDA的安装：查询显卡是否支持安装 。从上图中，可以看到我本机的独立显卡是支持CUDA安装的，计算力是6.1。2、CUDA下载CUDA下载这里我选了CUDA Toolki

cuda版本nvcc --versioncudnn版本C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include\cudnn_version.h# C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\【改为你的版本】\include\cudnn_version.h这样的话就是8.

目标检测小目标数据增强大杀器-贴图方案

一、准备基础环境因为要用上GPU所以提前准备好的:CUDA将cuda/bin和cuda/lib/x64以及cuda/include添加到环境变量PathCUDNN解压CUDNN然后把它对应文件夹中的文件添加到CUDA对应的文件夹目录下可以参考：深度学习GPU环境CUDA详细安装过程（简单快速有效）二、下载Dlib官方包https://github.com/davisking/dlib/releas

复杂度的检测模型虽然可以取得SOTA的精度，但它们往往难以直接落地应用。模型压缩方法帮助模型在效率和精度之间进行折中。知识蒸馏是模型压缩的一种有效手段，它的核心思想是迫使轻量级的学生模型去学习教师模型提取到的知识，从而提高学生模型的性能。已有的知识蒸馏方法可以分别为三大类：模型没有用pytorch官方自带的，而是参照以前总结的ResNet模型修改的。ResNet模型结构如下图：ResNet18，

在得到模型后，你需要借助一些指标来评估这个模型的好坏。人在学习后，会通过考试来评价学习效果，最终会评出优等生、差等生。机器学习也是一样的。区别只是机器学习会根据问题的不同，用不同的指标来进行模型效果的评估。对于分类问题，混淆矩阵是一种直观的模型效果分析方法。假设有个二分类模型，可以对一件事的正（P）负（N）作出判断。这样，在一次判断中，存在真实结果 y^\hat{y}y^​ 和预则结果y。如果二者

KNN可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一，注意KNN算法是有监督学习中的分类算法，它看起来和另一个机器学习算法K-means有点像（K-means是无监督学习算法），但却是有本质区别的。KNN的全称是K Nearest Neighbors，意思是K个最近的邻居，从这个名字我们就能看出一些KNN算法的蛛丝马迹了。K个最近邻居，毫无疑问，K的取值肯定是至关重要的。那么最近的

在自下而上的数据科学方法中，我们将部分业务流程委托给机器学习模型。此外，全新的商业创意可通过机器学习实现。自下而上的数据科学通常将手动和部分困难任务自动化。例如制造公司可以将传感器放在他们的机器上并进行预测维护。因此，维护工程师可以更高效地工作，而无需执行昂贵的定期检查。模型可解释性对于验证模型的行为是否符合您的期望是很有必要的，并且它可以与用户建立信任关系，并且可以简化从手动过程到自动化过程的过

开始训练，这里面有几个参数要注意一下，model_type分词算法选择bpe，split_digits为True，byte_fallback为True，和LLaMa 保持一致，max_sentence_length设置的大一点，更多参数解释可以查看：https://zhuanlan.zhihu.com/p/655281268 和 https://zhuanlan.zhihu.com/p/63914

回到我们文章的正题，实现人工智能（AI）的方法机器学习、深度学习。