个人技术分享

一、跨模态定义与意义跨模态是指处理来自不同感官通道或表现形式的信息的能力，例如文本、图像、音频、视频等。跨模态理解与生成技术的目的在于建立不同模态信息之间的桥梁，实现它们之间的转换和交互。这种技术的意义在于，它能够突破单一模态的局限性，充分利用多模态信息的互补性，提高信息处理的准确性和丰富性。二、多模态数据处理多模态数据处理是跨模态理解与生成技术的基础。在这一过程中，需要对来自不同模态的数据进行预处理、特征提取和表示学习等操作。例如，对于文本数据，可以通过分词、词嵌入等技术提取出关键信息；

使用数据集训练模型的步骤大差不差，都需要加载数据后对数据进行一系列处理（过滤与基本转换），然后构建特征工程，选择算法（有的算法要输入参数）得到模型，最后进行评估预测此模型是否可用（值得信任），可以的话就进行保存以便下次再用。

计算机毕业设计Python+Scrapy+Vue.js机器学习招聘推荐系统 招聘数据可视化 招聘爬虫 招聘数据分析 大数据毕业设计 大数据毕设

使用数据集训练模型的步骤大差不差，都需要加载数据后对数据进行一系列处理（过滤与基本转换），然后构建特征工程，选择算法（有的算法要输入参数）得到模型，最后进行评估预测此模型是否可用（值得信任），可以的话就进行保存以便下次再用。

使用TensorFlow 2.6.0版本改写TensorFlow 1的代码，使用TF2的Eager Execution动态执行图。

这里有一波Yolov9的升级大招，带你领略最新论文的精华！💥 什么注意力机制加持、卷积层大换血、Block设计革新、Backbone重磅升级、Head部分重塑，还有优化器全面升级，统统给你安排上了！真的是干货满满，让你有N种升级选择，总有一款适合你！我们还为你准备了专属QQ群，群里有大神答疑解惑，大家可以一起学习、一起进步！订阅后，输出你的订单号，马上就能入群嗨皮啦！订阅后，我可以手把手教你如何改进模型，并在论文中完美呈现！：目前已经更新了8篇，精彩内容源源不断，等你来探索！别犹豫了，赶快加入我们吧！

卷积报错：AttributeError: 'Conv2d' object has no attribute 'total_ops', Only Tensors created explicitly by the user (graph leaves) support the deepcopy protocol at the moment

仅记录个人学习。

决策树是一种用于分类和回归任务的机器学习算法。它通过一系列规则将数据点分类到不同的类别中，就像树枝分叉一样。每个规则都基于一个特征，例如“颜色”或“尺寸”，每个分支都代表一个可能的特征值，例如“红色”或“大”。代表整个数据集。代表一个特征，并根据特征值进行分支。代表一个类别或预测结果。

泰勒公式讲解及考点

在工作中，经常会遇到车辆视角问题，比如 正视角，侧视角，后世界等等，这样来回切换，让展示的效果更炫酷一些。从事自动驾驶开发也有几年了，一直在做基于webgl+three三维引擎开发。通过数学计算和three相关的接口结合，计算相关的角度问题。

杨林三-辉羲智能辉羲智能致力打造创新车载智能计算平台，提供高阶智能驾驶芯片、易用开放工具链及全栈自动驾驶解决方案，运用独创性“数据闭环定义芯片”方法学，助力车企构建低成本、大规模和自动化迭代能力，实现优质高效的自动驾驶量产交付，引领数据驱动时代的高阶智慧出行。创业公司中，如何使用Alluxio？从0-1使用 Alluxio 的过程（调研-部署-上生产）。实践经验分享。《 Alluxio 在自动驾驶模型训练中的应用与部署》下文为完整文字版分享内容。

使用数据集训练模型的步骤大差不差，都需要加载数据后对数据进行一系列处理（过滤与基本转换），然后构建特征工程，选择算法（有的算法要输入参数）得到模型，最后进行评估预测此模型是否可用（值得信任），可以的话就进行保存以便下次再用。

L1正则化能够通过使模型稀疏化达到降低模型复杂度的作用。这种稀疏化特性使它能够作为一种特征选择策略，适合在高维且特征相关性不强的场景中使用。L2正则化能够通过将各项权重系数优化的很小达到降低模型复杂度的目的。它能够减少单个特征的在模型中的作用，避免某个特征主导整个预测方向。L2正则化项是可微的，优化计算效率更高，适合处理低维且特征间具有强相关性的场景。

【知识蒸馏】deeplabv3 logit-based 知识蒸馏实战，对剪枝的模型进行蒸馏训练

PyTorch中的形状变换术：reshape、view与permute的区别与联系

标准正态分布是正态分布的一个标准化形式，通常用于简化问题的求解过程，在统计分析中具有重要应用。高斯分布在自然科学和社会科学中十分常见，因为许多随机变量的分布都近似是正态分布，特别是当独立随机变量的总和趋于无限时，根据中心极限定理，其分布接近正态分布。均值决定了分布的中心位置，标准差决定了分布的离散程度，即数据集中或分散的程度。正态分布是一类连续概率分布，其形状呈现为对称的钟形曲线，这种曲线被称为高斯函数或高斯钟形曲线。总结来说，所有的标准正态分布都是正态分布，但不是所有的正态分布都是标准正态分布。

一、项目背景与意义乳腺癌是女性最常见的恶性肿瘤之一，其早期发现和治疗对于提高患者的生存率和生活质量至关重要。然而，乳腺癌的诊断通常依赖于医生的经验和主观判断，这不仅耗时而且可能存在误差。近年来，深度学习技术特别是卷积神经网络（CNN）在图像处理领域取得了显著进展，为乳腺癌的自动分类提供了新的解决方案。本项目旨在利用深度学习卷积神经网络构建一套高效、准确的医学图像乳腺癌分类系统，辅助医生进行乳腺癌的早期诊断和治疗。二、技术实现。

深度学习机器学习目标检测卷积神经网络CNN术语

本周学习了如何使用Pytorch识别车牌。