本文详细介绍了深度学习中的量化技术，包括其本质、需求、数学原理、实现方式和影响。量化通过将高精度浮点数转换为低精度整数，可显著减少模型大小（75%压缩）、提升推理速度（3-8倍）并降低功耗，适用于车载等边缘计算场景。文中对比了训练后量化（PTQ）和量化感知训练（QAT）两种方法：PTQ简单快速但精度损失较大（3-5%），QAT训练成本高但精度损失小（0.5-1.5%）。量化对不同网络层影响各异，卷

问题：多个损失组合时量级差异大，导致某个损失主导训练解决方案归一化到相似量级除以初始损失值除以损失的移动平均MinMax缩放到[0,1]使用动态权重不确定性加权（学习权重）GradNorm（梯度平衡）根据验证性能动态调整监控各损失曲线分别记录每个损失组件可视化损失趋势及时发现不平衡示例# 归一化损失与任务目标对齐直接优化评估指标（如Dice优化Dice系数）考虑任务特性（平衡性、异常值等）从简单开

超参数（Hyperparameters）是在模型训练开始之前需要预先设定的配置参数，它们控制着训练过程和模型结构，但不会在训练过程中通过梯度下降自动学习更新。超参数是"元控制器"控制训练过程和模型结构需要人工设定，不会自动学习直接决定模型能否收敛和最终性能超参数 ≠ 模型参数超参数：结构配置（层数、学习率等）模型参数：权重和偏置的具体数值超参数设定好后，模型参数自动学习学习率是最关键的超参数影响最

根据具体任务、数据规模和资源情况选择合适的策略。这些优化方法通常需要。

本文详细介绍了深度学习中的量化技术，包括其本质、需求、数学原理、实现方式和影响。量化通过将高精度浮点数转换为低精度整数，可显著减少模型大小（75%压缩）、提升推理速度（3-8倍）并降低功耗，适用于车载等边缘计算场景。文中对比了训练后量化（PTQ）和量化感知训练（QAT）两种方法：PTQ简单快速但精度损失较大（3-5%），QAT训练成本高但精度损失小（0.5-1.5%）。量化对不同网络层影响各异，卷

git安装打开终端，输入sudo apt-get install gitgit配置配置用户名git config --global user.name "user.name"配置邮箱git config --global user.email "user.email"创建公钥由于公司业务使用gitlab，我个人研究使用gitee，此处就直接介绍一种方法git配置多个ssh-key，兼容只有一个ss

视觉SLAM中ORB特征简介特征点由关键点（Key-point）和描述子（Descriptor）两部分组成。其中，关键点是指该特征点在图像里的位置，有些特征点还具有朝向、大小等信息。描述子通常是一个向量，按照某种人为设计的方式，描述了该关键点周围像素的信息。描述子是按照“外观相似的特征应该有相似的描述子”的原则设计的。考虑到检测性能与特征质量的一种平衡，一般不使用质量很好但是性能消耗很高SIFT(

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言    在之前项目中为提高系统定位精度，开发激光SLAM建图方案。场景是城市道路，车辆装备RTK-GNSS，IMU和轮速计。离线SLAM建图过程是从三维激光点云中提取地面、中层和高层特征，分别建立同一场景的多层次二维地图，提高对复杂环境的适用性。在karto与cartographer的基础上进

一家之言，仅作分享，如有不合理或需要改进的地方，欢迎各位讨论。前言    聚类是无监督机器学习中的一种技术，它根据数据集中数据点可用信息的相似性将数据点分组到集群中。属于同一簇的数据点在某些方面彼此相似，而属于不同簇的数据项不同。一、K-Means原理    K-Means 是一种基于距离的聚类算法，将距离比较近的数据

文章：AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot作者：Tong Qin, Tongqing Chen, Yilun Chen, and Qing Su前言：去年笔者之前在自研探索AVP方案时，阅读到秦通博士的一篇论文AVP-SLAM: Semantic V