本文深入解析了PyTorch中两种重要的权重初始化方法：xavier_normal_和constant_。Xavier正态初始化通过平衡输入输出通道数来维持信号方差稳定，适用于大多数网络层；而常数初始化则用于设置偏置或归一化层参数。文章详细介绍了它们的原理、PyTorch接口实现、适用场景及选择建议，帮助开发者根据网络结构特点选择合适的初始化策略，从而提升模型训练的稳定性和收敛效率。合理使用这两种

PyTorch使用TensorBoard可视化训练过程（附完整MNIST示例） TensorBoard是深度学习训练中的关键可视化工具。本文介绍如何在PyTorch中使用SummaryWriter记录训练过程，包括： 基本用法：标量（loss/acc）、图像、模型结构图、参数分布直方图 完整MNIST分类示例代码 启动TensorBoard命令：tensorboard --logdir=runs

在深度学习与张量运算中，**维度管理**是一个常见且容易出错的环节。PyTorch 提供的 `unsqueeze` 操作，可以让你在张量的任意位置**插入一个长度为 1 的新维度**，实现批处理、通道对齐、广播扩展等需求。下面，我们从原理、API、示例到常见替代写法，带你深入理解 `unsqueeze` 的用法与场景。

PyTorch中的nn.Sequential是一个高效便捷的神经网络容器模块，用于线性堆叠多个网络层。它能够自动管理子模块注册、统一训练/推理状态切换，并简化前向传播过程。文章详细介绍了其两种构造方式（直接传入模块实例或使用有序字典命名）、工作原理及适用场景（如简单前馈网络和快速原型搭建）。同时指出了其局限性（不支持分支/跳跃连接）以及与ModuleList、ModuleDict的区别。通过一个卷

在深度学习与张量运算中，**维度管理**是一个常见且容易出错的环节。PyTorch 提供的 `unsqueeze` 操作，可以让你在张量的任意位置**插入一个长度为 1 的新维度**，实现批处理、通道对齐、广播扩展等需求。下面，我们从原理、API、示例到常见替代写法，带你深入理解 `unsqueeze` 的用法与场景。

在使用 PyTorch 进行深度学习建模或数据处理时，常常需要生成随机整数张量作为索引、伪标签或其它用途。本文将深入讲解 PyTorch 中的 `torch.randint()` 函数，以及为什么／如何结合 `.long()` 方法将张量转换为 64 位整型（LongTensor）。文末还会给出多种典型场景的实战示例，帮助你在项目中快速上手。

超越自上而下的垃圾箱拣选场景的 6D 机器人抓取是一项具有挑战性的任务。以往基于 6D 抓取合成和机器人运动规划的解决方案通常在开环环境中运行，对抓取合成误差非常敏感。在这项工作中，我们提出了一种学习 6D 抓取闭环控制策略的新方法。我们的策略以来自自中心摄像机的物体分割点云为输入，输出机器人抓手抓取物体的连续 6D 控制动作。我们结合了模仿学习和强化学习，并为策略学习引入了目标辅助行为批判算法。

系统：Ubuntu20ROS版本：ROS Noetic（官方安装链接之前一直不理解到底是什么意思，一直以为只要在后面加上，代码就能一直订阅该topic，实际上不是这样的。

pytorch小记（十三）：pytorch中`nn.ModuleList` 详解

mAP是目标检测中最常用的评估指标，综合反映模型在不同召回率下的平均精度表现。其核心是计算每个类别的平均精度（AP），然后对所有类别的AP取平均。