OpenMMLab 上海交大精品课带你 4 小时入门深度学习

最新推荐文章于 2023-02-02 17:25:25 发布

OpenMMLab

最新推荐文章于 2023-02-02 17:25:25 发布

阅读量845

点赞数 1

分类专栏：技术干货文章标签：深度学习人工智能计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_39967751/article/details/125868073

版权

技术干货专栏收录该内容

65 篇文章 124 订阅

订阅专栏

OpenMMLabOpenMMLab 的小伙伴们！大家一直期待的入门级视频教程来啦！

2022年春季，应上海交通大学机械与动力工程学院的邀请，OpenMMLab 研究员云端走进校园课堂，为上海交大的同学们讲解深度学习知识。考虑到本门课的同学们可能刚刚接触此领域，研究员们制作了入门级别的教程，以方便大家更好更快地学习新知识，入门深度学习这个领域~

心动不如行动，还等什么，一起快乐学习呀！

第一课：深度学习下的图像分类与目标检测

讲师：

李亦宁，OpenMMLab 高级研究员，MMPose 负责人，香港中文大学 MMLab 博士，研究方向包括属性识别、生成模型、不平衡样本学习等。

课程链接：

4小时入门深度学习+实操MMDetection 第一课_哔哩哔哩_bilibiliwww.bilibili.com/video/BV1ou411k7fD?spm_id_from=333.999.0.0

第二课：MMDetection 实战教学

讲师：

王若晖，OpenMMLab 高级研究员。目前负责 OpenMMLab 教育课程方向，以及 MMEditing 代码库的开发，博士毕业于香港中文大学 MMLab 实验室。

课程链接：

4小时入门深度学习+实操MMDetection 第二课_哔哩哔哩_bilibiliwww.bilibili.com/video/BV1NL4y1c7ki?spm_id_from=333.999.0.0

大家快来一起学习呀~

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

OpenMMLab CSDN认证博客专家 CSDN认证企业博客

码龄7年

134: 原创

1470: 周排名

1万+: 总排名

32万+: 访问

: 等级

2568: 积分

2万+: 粉丝

1086: 获赞

95: 评论

3311: 收藏

私信

关注

热门文章

分类专栏

最新评论

从数据采集到部署，手把手带你训练一个高质量的图像分类模型
带老婆的老婆饼: 请问你解决了吗？我也是报相同的错误
安卓端侧大模型 MLC-LLM 部署全攻略：以 InternLM2.5-1.8B 为例
CRQ251: 楼主，按照官网的方法，想本地跑Gemma2 出现了如下报错该如何解决啊，谢谢楼主了 MLCChat failed Stack trace: org.apache.tvm.Base$TVMError: TVMError: Function vm.builtin.paged_attention_kv_cache_create_reduced(0: runtime.ShapeTuple, 1: int64_t, 2: int64_t, 3: int64_t, 4: int64_t, 5: int, 6: double, 7: double, 8: runtime.NDArray, 9: runtime.PackedFunc, 10: runtime.PackedFunc, 11: runtime.PackedFunc, 12: runtime.PackedFunc, 13: runtime.PackedFunc, 14: runtime.PackedFunc, 15: runtime.PackedFunc, 16: runtime.PackedFunc, 17: runtime.PackedFunc, 18: runtime.PackedFunc) -> relax.vm.AttentionKVCache expects 19 arguments, but 18 were provided. Stack trace: File "/Users/kartik/mlc/tvm/include/tvm/runtime/packed_func.h", line 1908 at org.apache.tvm.Base.checkCall(Base.java:173) at org.apache.tvm.Function.invoke(Function.java:130) at ai.mlc.mlcllm.ChatModule.reload(ChatModule.java:46) at ai.mlc.mlcchat.AppViewModel$ChatState$mainReloadChat$1$2.invoke(AppViewModel.kt:648) at ai.mlc.mlcchat.AppViewModel$ChatState$mainReloadChat$1$2.invoke(AppViewModel.kt:646) at ai.mlc.mlcchat.AppViewModel$ChatState.callBackend(AppViewModel.kt:548) at ai.mlc.mlcchat.AppViewModel$ChatState.mainReloadChat$lambda$3(AppViewModel.kt:646) at ai.mlc.mlcchat.AppViewModel$ChatState.$r8$lambda$CXL6v4mjTu_Sr5Pk2zFDcus0R-8(Unknown Source:0) at ai.mlc.mlcchat.AppViewModel$ChatState$$ExternalSyntheticLambda2.run(Unknown Source:8) at java.util.concurrent.Executors$RunnableAdapter.call(Executors.java:487) at java.util.concurrent.FutureTask.run(FutureTask.java:264) at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145) at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:644) at java.lang.Thread.run(Thread.java:1042) Error message: TVMError: Function vm.builtin.paged_attention_kv_cache_create_reduced(0: runtime.ShapeTuple, 1: int64_t, 2: int64_t, 3: int64_t, 4: int64_t, 5: int, 6: double, 7: double, 8: runtime.NDArray, 9: runtime.PackedFunc, 10: runtime.PackedFunc, 11: runtime.PackedFunc, 12: runtime.PackedFunc, 13: runtime.PackedFunc, 14: runtime.PackedFunc, 15: runtime.PackedFunc, 16: runtime.PackedFunc, 17: runtime.PackedFunc, 18: runtime.PackedFunc) -> relax.vm.AttentionKVCache expects 19 arguments, but 18 were provided. Stack trace: File "/Users/kartik/mlc/tvm/include/tvm/runtime/packed_func.h", line 1908
安卓端侧大模型 MLC-LLM 部署全攻略：以 InternLM2.5-1.8B 为例
CSDN-Ada助手: 恭喜你这篇博客进入【CSDN每天值得看】榜单，全部的排名请看 https://bbs.csdn.net/topics/619251169。
从数据采集到部署，手把手带你训练一个高质量的图像分类模型
JT_enlightenment: 训练时报错：AssertionError: The number of subfolders (2) doesn't match the number of specified classes (1000). Please check the data folder.
从数据采集到部署，手把手带你训练一个高质量的图像分类模型
xinshourenyuan: 2分类能用这个image数据集吗

大家在看

最新文章

目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。