本博文实现的MobileNetV3的代码，参考pytorch官方实现的mobilenet源码详细的MobileNetV3 网络讲解，参考博文：MobileNet系列(4):MobileNetv3网络详解打开文件V3网络的卷积结构在V3网络中使用的卷积，基本上都是：,这里定义一个卷积类SE模块在之前博客中，我们有讲到过模块，其实是两个全连接层。对于第一个全连接层，它的节点个数是输入特征矩阵chann

​知识蒸馏，近年来越来越受到研究界的关注。大型深度神经网络取得了显著的成功，特别是在大规模数据的真实场景中，因为当考虑新数据时，过度参数化提高了泛化性能。然而，由于移动设备的算力和存储受限，在这些设备中部署DNN模型是一个巨大的挑战。为了解决这个问题，Bucilua等人（2006）首次提出了模型压缩，将信息从大模型或集成模型转移到训练的小模型中，并且不会显著导致精度下降。从大模型中学习小模型的方法

摘要 清华AIR与小米汽车联合团队提出Hyper Diffusion Planner (HDP)，首次实现纯扩散模型在自动驾驶端到端规划中的实车闭环应用。针对扩散模型在规划任务中的三大挑战（任务特性不匹配、闭环误差放大、数据规模限制），HDP通过损失空间重构（τ₀预测+τ₀损失最优配置）、混合损失设计（融合航点与速度表示）、大规模数据缩放及轻量化RL后训练，在Xiaomi SU7上完成200km实

摘要 清华AIR与小米汽车联合团队提出Hyper Diffusion Planner (HDP)，首次实现纯扩散模型在自动驾驶端到端规划中的实车闭环应用。针对扩散模型在规划任务中的三大挑战（任务特性不匹配、闭环误差放大、数据规模限制），HDP通过损失空间重构（τ₀预测+τ₀损失最优配置）、混合损失设计（融合航点与速度表示）、大规模数据缩放及轻量化RL后训练，在Xiaomi SU7上完成200km实

配置c++ 编译时的选项，包括编译器的路径、C/C++标注, 指定头文件的搜索路径（如opencv等）该工具可以自动识别MinGW编译器的安装位置，如果没有添加到环境变量中，它会自动帮忙配置到环境变量。，这样将3个json拷贝到其他目录，也可以运行和调试c++程序。如果未下载MinGW，它会提示你下载，然后帮忙自动配置环境变量。:设置头文件的搜索路径，让编译器可以找打相应的头文件。完成安装后，会自

pytorch 多GPU并行训练介绍，参考我之前的博客:pytorch中使用多GPU并行训练。本文主要针对代码部分进行讲解。1. 首先判断有没有可用的GPU，如果没有的话，这边会报错提醒，因为我们的脚本对针对多GPU训练的场景的。2. 初始化各进程环境。

下载VOC数据集：https://blog.csdn.net/qq_41884867/article/details/90237145

本文介绍如何在pytorch中载入模型的部分权重第1个常见的问题: 在分类网络中，当载入的预训练权重的全连接层与我们自己实例化模型的节点个数不一样时，该如何载入？比如在花卉数据集分类时只有5类，所以最后一层全连接层节点个数为5，但是我们载入的预训练权重是针对ImageNet-1k的权重,它的全连接层节点个数是1000，很明显是不能直接载入预训练模型权重的。第2个常见的问题: 如果对网络的结构进行了

由组成：100 万个 LiDAR 帧，700 万个相机图像 200 平方公里的驾驶区域，144 个驾驶小时 15k 个完全注释的场景，分为 5 个类别（汽车、公共汽车、卡车、行人、骑自行车的人） 多样化的环境（白天/夜晚、晴天/雨天、城市/郊区）。包括跨不同季节，天气条件和一天中不同时间的传感器数据或“日志段”的记录，以提供广泛的实际驾驶场景。nuPlan是世界上第一个自动驾驶的大规模规划基准，虽

链接：https://www.cnblogs.com/LXP-Never/p/15151578.html