- 博客(9)
- 收藏
- 关注
RSS订阅原创 GitHub Copilot Student Application (GitHub Education Benefits) 不在学校的也能认证，保证过。
申请了无数次，战绩可查：参考：[1]
2024-11-04 22:23:08
2213
1
原创 通俗易懂的Swin Transformer讲解，有代码注释（还包含Transformer和ViT的理解）
核心思想: 分成多个window后变成单独图片, 对每个window计算自注意力为了解决ViT弊端, 提出了window概念.把图片分成8 * 8个窗口, 每个window里面有7 * 7个patch, patch大小为4 * 4, 这样的话, 多个图像的多个window做mult-head attention, 后面计算softmax的值得注意的是, swin transformer的定义窗口的时候就是窗口大小定义. 假设窗口大小为M = , 则窗口数量为个窗口.计算复杂度ΩMSA4mm。
2024-05-03 16:35:29
3911
1
原创 显卡驱动 + CUDA + CuDNN + Pytorch全系列教程（非常详细）
记录一下2023.12.16我电脑成功配置的环境：虚拟环境名称：cuda121显卡型号：537.58cuda：12.1.1，路径：D:\CUDAandCudnn\CUDA\CUDA\v12.1.1cudnn：8.8.1，路径：D:\CUDAandCudnn\CuDNN\CuDNN8.8.1\cudnn-windows-x86_64-8.8.1.3_cuda12-archivepytorch：未知，路径：D:\CUDAandCudnn\Torch。
2023-12-16 14:13:41
4269
原创 卷积神经网络——池化层的详细介绍（包含前传后传）
接下来求dmax：创建dmax矩阵，形状是(N * out_h * out_w * C, PH * PW). 因为之前求导的max都是每个池化块里的最大值，相当于维度为2 * 2矩阵将为1，现在就要回到前面那步，获得形状为N * OH * OW * C, PH * PW的矩阵.反向传播时，接收到的dout是池化前向传播的输出形状，所以先把dout(形状为out，也就是N, C, out_h, out_w)转置为N, out_h, out_w, C。鱼书《深度学习入门》——斋藤康毅。
2023-10-23 12:57:33
485
3
原创 卷积神经网络——Convolution层的详细介绍（包含前传后传、im2col和col2im方法）
参考：鱼书《深度学习入门》——斋藤康毅介绍高维数组：https://zhuanlan.zhihu.com/p/650178588，博主从索引的角度出发，有利于理解和应用。
2023-10-20 17:39:20
500
1
原创 YOLOv5/v7修改初始锚定框anchor（以及utils文件夹的部分py文件报错）
YOLOv5/v7修改初始锚定框anchor（以及utils文件夹的部分py文件报错）
2022-09-27 10:51:22
3338
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人