Qt的学习资料参照这篇良心文档，感谢奇先生的工作：https://qtguide.ustclug.org/在 Qt Creator 诞生之前， Qt 程序可以通过 qmake 命令行编译或者像上一节手动输入 g++ 命令编译，在 Linux 平台还有 KDevelop 这类 KDE 桌面程序开发环境（一般用 cmake 生成脚本）。在 Qt 被诺基亚收购之前，Qt 官方一直没有有自己的集成开发..

在PyTorch中，torch.Tensor类是存储和变换数据的重要工具，相比于Numpy，Tensor提供GPU计算和自动求梯度等更多功能，在深度学习中，我们经常需要对函数求梯度（gradient）。PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。本篇将介绍和总结如何使用autograd包来进行自动求梯度的有关操作。1. 概念Tensor是这个py

基于摄像机图像进行3D视觉任务的方法已经有了很多不错的工作。本文中的CaDDN网络（Categotical Depth Distribution Network），通过为每个像素预测出深度分布，将图像特征（2D特征）投影到3D空间中适当的深度区间。然后使用鸟瞰图（BEV）投影和单级检测器产生最终输出检测结果，评测效果提升明显。CaDDN PaperCaDDN 源码CaDDN模型理解单目3D检测通常

基于摄像机图像进行3D视觉任务的方法已经有了很多不错的工作。本文中的CaDDN网络（Categotical Depth Distribution Network），通过为每个像素预测出深度分布，将图像特征（2D特征）投影到3D空间中适当的深度区间。然后使用鸟瞰图（BEV）投影和单级检测器产生最终输出检测结果，评测效果提升明显。CaDDN PaperCaDDN 源码CaDDN模型理解单目3D检测通常

本篇整理 Transformer 架构，及在 Transformer 基础上衍生出来的 BERT 模型，最后给出相应的应用案例。1.Transformer的架构Transformer 网络架构架构由 Ashish Vaswani 等人在 **[Attention Is All You Need]**一文中提出，并用于机器翻译任务，和以往网络架构有所区别的是，该网络架构中，编码器和解码器没...

最近的有GNN学习需要，但这部分的资料整理还不算太多。本篇主要是作为知识梳理，主要参考综述性论文：Graph Neural Networks: A Review of Methods and Applications，在此基础上结合理解进行翻译和补充，首先想搞清楚目前的发展状况和一些主要的研究方向。注：下文中出现的所有名词图的说法即为Graph，在此不讨论Graph与Network的区别。个人理解

本文作为第2部分，主要根据原始论文介绍几篇基础的工作，主要包括GNN，GCN及变体，DCNN，Tree-LSTM,包括模型的详解和模型训练，以及模型评价。1. The Graph Neural Network Model论文：2009 -《The Graph Neural Network Model 》这篇论文是第一个提出Graph Neural Network模型的论文，它将神经网络使用在图结构

批归一化（Batch Normalization）的详细解释​以前在神经网络训练中，只是对输入层数据进行归一化处理，却没有在中间层进行归一化处理。要知道，虽然我们对输入数据进行了归一化处理，但是输入数据经过矩阵乘法以及非线性运算之后，其数据分布很可能被改变，而随着深度网络的多层运算之后，数据分布的变化将越来越大。如果我们能在网络的中间也进行归一化处理，是否对网络的训练起到改进作用呢？答案是肯定..

PyTroch中我们经常使用到Numpy进行数据的处理，然后再转为Tensor，但是关系到数据的更改时我们要注意方法是否是共享地址，这关系到整个网络的更新。In-place操作pytorch中原地操作的后缀为_，如.add_()或.scatter_()，就地操作是直接更改给定Tensor的内容而不进行复制的操作，即不会为变量分配新的内存。Python操作类似+=或*=也是就地操作。（我加了我自己~

前言球面投影或正视图投影是将3D点云数据表示为2D图像数据的一种方式，因此从本质上讲，它还充当降维方法。球形投影方法正越来越多地用于处理点云深度学习解决方案中。应用最广泛的领域是对点云中对象进行分类和分割任务，这个投影方法在多个工作中使用，例如：PointSeg，SqueezeSeg， SalsaNet等，以及在上一篇总结到的最新的语义分割网络3D-MiniNet也用到了球面投影。将点云表示为..