ClearML是一个开源的MLOps平台，用于自动化和管理机器学习实验的全生命周期。它自动记录训练过程中的所有参数、代码、数据集和模型，提供实时可视化界面，支持团队协作、超参数优化和模型部署。推荐使用ClearML因为它：1）完全开源且可本地部署，保障数据隐私；2）集成简单（仅需两行代码）；3）提供从研究到生产的无缝工作流；4）显著提升实验复现性和团队协作效率；5）免费版功能完整，无需昂贵订阅。C

ClearML是一个开源的MLOps平台，用于自动化和管理机器学习实验的全生命周期。它自动记录训练过程中的所有参数、代码、数据集和模型，提供实时可视化界面，支持团队协作、超参数优化和模型部署。推荐使用ClearML因为它：1）完全开源且可本地部署，保障数据隐私；2）集成简单（仅需两行代码）；3）提供从研究到生产的无缝工作流；4）显著提升实验复现性和团队协作效率；5）免费版功能完整，无需昂贵订阅。C

登入linux服务器，并在主目录下（/home/yuanwushui(用户名)）创建。： 在vscode 中重新登入远程，此时不需要密码就能登入远程。安装很简单： 可以默认方式，一步步无脑安装，就OK啦。打开windows终端，并输入以下代码，生成。接下来介绍不用输入密码的方法。完成秘钥生成后，终端会显示。根据路径找到C盘中保存的秘钥文件。每次远程登入服务器都要输入。弹出需要选择的选项，直接按。点

你可能听说过Kaggle数据科学竞赛，但你知道Kaggle还有许多其他功能，可以帮助你完成机器学习项目吗?对于为机器学习项目寻找数据集的人，Kaggle允许你访问别人的公共数据集，并共享你自己的数据集。对于那些希望构建和训练自己的机器学习模型的人，Kaggle还提供了浏览器上notebook开发环境和一些免费的GPU时长。你也可以查看其他人的公开的notebook!除了网站之外，Kaggle还有一

原理： L1正则是基于L1范数和项，即参数的绝对值和参数的积项；L2正则是基于L2范数，即在目标函数后面加上参数的平方和与参数的积项。 区别：1.鲁棒性：L1对异常点不敏感，L2对异常点有放大效果。2.稳定性：对于新数据的调整，L1变动很大，L2整体变动不大。 答案解析 数据分析只需要简单知道原理和区别就行，公式推导不需要，面试过程中也不会出现。:逻辑回归里面，对于正负例的界定，通常会设一个阈值，

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

在过去十年中，卷积神经网络（CNNs）已证明是解决基本计算机视觉任务的非常有效的工具。神经网络的一个主要应用包括自动驾驶汽车中的实时感知系统，其中目标检测通常是一项非常重要的任务。然而，将CNNs部署到实时应用程序中会对内存和延迟造成严格限制。另一方面，最先进的检测器的性能提高通常伴随着内存需求和推理时间的增加。因此，网络模型的选择及其相应的检测性能受到严格限制。已经提出了几种技术来解决这个问题，

在这篇文章中，我们将展示如何使用一个名为Mask RCNN(基于区域的卷积神经网络)的卷积神经网络模型来进行目标检测和分割。使用mask - rcnn，我们不仅检测对象，我们还获得一个灰度或二进制mask对象。Mask rcnn最初是在2017年11月由facebook的人工智能研究团队使用Python和caffe2推出的。我们将在c++和Python中共享OpenCV代码来加载和使用模型。The

​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

它们都参考了FCOS的做法，将目标检测中anchor-free的思想，迁移到了实例分割的任务上。网络的具体细节不会展开讲，这里只会说到他们在解决实例分割任务时，在FCOS的整体架构上做了哪一些调整。首先讲到的是CenterMask，把这个放在最前面是因为他的想法非常直接，这个结构可以理解成 FCOS + MaskRCNN 的 mask的分支。我们可以将它和FCOS做一下对比，输入图像通过 FCOS