qq_37269626的博客

是百度和视觉学界联合提出的一种端到端实时目标检测方法，是DETR 系列的加速优化版。它解决了原始DETR（2020）推理慢、收敛慢的问题，让 Transformer-based 检测器能在实时速率下工作，同时保持高精度。虽然RT-DETR比DETR精度更高，FPS更高，但是参数量依旧很大，普通显卡不够训练。未来考虑轻量化改进以及图像压缩等操作。

常见模块实现

概述- PyTorch是一个开源的深度学习框架，由Facebook的人工智能研究团队（FAIR）开发。它主要用于自然语言处理、计算机视觉等众多深度学习领域的模型开发与训练，是当前深度学习领域最受欢迎的工具之一。主要特点动态计算图- 与一些其他深度学习框架不同，PyTorch采用动态计算图。这意味着计算图是在运行时构建的，而不是像静态计算图那样在编译时就固定。例如，在一个简单的神经网络训练过程中，每次前向传播时，计算图可以根据输入数据的形状、操作顺序等灵活变化。

卷积：对图像矩阵进行扫描，寻找到图像的特征信息以及轮廓，纹理以及进一步的语义信息。**反卷积：**对卷积后的图像进行反向操作，做逆向操作，还原图像到之前的状态。所有的逻辑运算，均需要我们一步步去推导，否则学完一遍，还是啥都不会，加油，人工智能小伙伴。卷积。

DenseNet

深度学习之并行连接网络GoogleLeNet

卷积

NIN网络

LeNet

损失函数: 衡量模型输出与真实标签的差异.而我们谈损失函数的时候,往往会有三个概念:损失函数,代价函数,目标函数.函数名定义损失函数(Loss Function)计算一个样本的模型输出与真实标签的差异Loss = f(y^,y)代价函数 (Cost Function)计算整个样本的模型输出与真实标签的差异,是所有样本损失函数的平均值目标函数(objective Function)代价函数加上正则项.实际上就直接说成损失函数# forward# view。

唯一的不同就是前向传播的时候我们需要传进一个indices， 我们的索引值，要不然不知道把输入的元素放在输出的哪个位置上。卷积过程:类似于用一个模板去图形上寻找与它相似的区域,与卷积核模式越相似,激活值越高,从而实现特征提取.最大值池化和平均池化的差别：最大池化的亮度会稍微亮一些，毕竟它都是取的最大值，而平均池化是取平均值。如图用2×2的窗口进行池化操作，最大池化用最大值代替这个窗口，平均池化用平均值代替这个窗口。功能：对二维信号（图像）进行最大值池化上采样（反池化：将大尺寸图像变为小尺寸图像）

pytorch基础

深度学习之VGG

广播机制

深度学习从0-1