C_c..-CSDN博客

原创《Attention Is All You Need》阅读笔记：Transformer 如何用 Attention 取代 RNN

Transformer 在建模两个位置之间的全局依赖关系时，不需要像 RNN 一样逐步传递信息，而是可以直接建立任意位置之间的联系，因此能够实现高度并行化计算，大幅提升训练效率。在 Self-Attention 中，序列中的每一个位置都可以直接与其他任意位置建立联系，因此模型能够更容易捕获全局语义信息，而不需要像 RNN 那样逐步传播。不同的 Attention Head 可以在不同的特征子空间中学习信息，从多个角度关注序列中的不同语义关系，从而提高模型对复杂特征的建模能力。作者前面提出了哪些问题？

2026-05-12 23:00:22 420

原创 YOLOv11 网络结构详解：一文看懂 Backbone、Head、C3k2、SPPF 和 Detect 检测头

在使用 YOLOv11 进行目标检测时，我们经常会接触到或这样的模型配置文件。backbone和head分别是什么意思？ConvC3k2SPPFC2PSA这些模块分别起什么作用？P3/8、P4/16、P5/32 代表什么？为什么最后 Detect 要同时接收 3 个不同尺度的特征图？YOLOv11n、YOLOv11s、YOLOv11m、YOLOv11l、YOLOv11x 的区别在哪里？

2026-04-26 22:53:25 1328

原创 #YOLOv11 目标检测训练结果怎么看？一文看懂 Precision、Recall、mAP 指标

YOLOv11目标检测模型训练后，主要关注Precision、Recall、mAP@50和mAP@50:95四个核心指标。Precision反映预测结果的准确性，Recall衡量检测覆盖率，两者往往此消彼长。mAP@50评估在IoU=0.5时的整体检测能力，而mAP@50:95则对定位精度要求更严格。实际应用中需根据任务需求权衡指标：误检成本高则侧重Precision，漏检风险大则关注Recall。PR曲线和results.png等可视化结果可辅助分析模型性能。理解这些指标的关系有助于准确评估模型效果。

2026-04-25 22:49:50 772

原创 AI编程革命：Codex高效写脚本指南

Codex是基于GPT-3的AI模型，擅长自然语言到代码的转换。适用于生成脚本、自动化任务和快速原型开发。用简洁明确的描述表达需求，例如“写一个Python脚本，遍历文件夹中的所有CSV文件并合并为一个文件”。重构生成的脚本以提高可读性和性能。将脚本集成到现有工作流中，例如通过cron任务或CI/CD管道。优先选择重复性高、逻辑清晰的脚本任务，例如文件批量处理、数据清洗或API调用。展示实际案例：用Codex生成日志分析脚本或自动化测试脚本。探讨AI辅助编码的发展趋势，如结合低代码平台或实时协作工具。

2026-04-25 21:21:40 49

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 《Attention Is All You Need》阅读笔记：Transformer 如何用 Attention 取代 RNN

原创 YOLOv11 网络结构详解：一文看懂 Backbone、Head、C3k2、SPPF 和 Detect 检测头

原创 #YOLOv11 目标检测训练结果怎么看？一文看懂 Precision、Recall、mAP 指标

原创 AI编程革命：Codex高效写脚本指南

空空如也

空空如也

原创《Attention Is All You Need》阅读笔记：Transformer 如何用 Attention 取代 RNN