MAE实现及预训练可视化（CIFAR-Pytorch）文章目录MAE实现及预训练可视化（CIFAR-Pytorch）灵感来源自监督学习自监督的发展MAE(MaskedAutoencoders)方法介绍MAE流程图搭建MAE模型MAE组网MAE预训练（pretrain)EncoderDecoder总结测试MAEMAE微调（finetune）MAE预训练MAE微调Result结果总结感谢和体会灵感来源监督学习是训练机器学习模型的传统方法，它在训练时每一个观察到的数据都需要有标注好的标签。如果我们有一种训练机器学习模型的方法不需要收集标签，会怎么样?如果我们从收集的相同数据中提取标签呢?这种类型的学

yolov5修改骨干网络–原网络说明yolov5修改骨干网络-使用pytorch自带的网络-以Mobilenet和efficientnet为例yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例通过yolov5修改骨干网络–原网络说明我们知道：yolov5.yaml中存放的是我们模型构建参数，具体构建过程在yolo.py中的parse_model函数，通过循环遍历yolov5.yaml给的参数，去寻找网络名称，并将args的参数传入网络，下面先用pytorch自带的mobile网络进行修改并替换原有yolov5网络。网络都是分层次的，比如如果把某个网络模型Net按层

yolov5修改骨干网络–原网络说明yolov5修改骨干网络-使用pytorch自带的网络-以Mobilenet和efficientnet为例yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例通过yolov5修改骨干网络–原网络说明我们知道：yolov5.yaml中存放的是我们模型构建参数，具体构建过程在yolo.py中的parse_model函数，通过循环遍历yolov5.yaml给的参数，去寻找网络名称，并将args的参数传入网络，下面先用pytorch自带的mobile网络进行修改并替换原有yolov5网络。网络都是分层次的，比如如果把某个网络模型Net按层

目录1、安装Anaconda32、将Anaconda3的安装包上传至服务器 3、在服务器上安装Anaconda4、配置清华源镜像（加速后续下载）5、在Anaconda中配置虚拟环境5.1创建虚拟环境5.2激活虚拟环境5.3Pytorch下载 6、在VScode中使用pytorch1、安装Anaconda3在官网https://www.anaconda.com/products/distribution#macos上找到合适Linux版的Anaconda安装包：2、将Anaconda3的安装包上传至服务器 可以使用Xftp7这款软件直接对本地和服务器上的文件进行操作 只需把本地的文件直接拖拽到右

目录1、安装Anaconda32、将Anaconda3的安装包上传至服务器 3、在服务器上安装Anaconda4、配置清华源镜像（加速后续下载）5、在Anaconda中配置虚拟环境5.1创建虚拟环境5.2激活虚拟环境5.3Pytorch下载 6、在VScode中使用pytorch1、安装Anaconda3在官网https://www.anaconda.com/products/distribution#macos上找到合适Linux版的Anaconda安装包：2、将Anaconda3的安装包上传至服务器 可以使用Xftp7这款软件直接对本地和服务器上的文件进行操作 只需把本地的文件直接拖拽到右

文章目录1前言2数据准备3数据预处理4Bert-BiLSTM-CRF模型5Bert-CRF模型6模型训练7结果评估8训练集流水线9测试集流水线10记录遇到的一些坑11完整代码1前言论文参考：1NeuralArchitecturesforNamedEntityRecognition2Attentionisallyouneed3BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding4BidirectionalLSTM-CRFModelsforSequenceTagging使用数据集：https://www.d

文章目录1前言2数据准备3数据预处理4Bert-BiLSTM-CRF模型5Bert-CRF模型6模型训练7结果评估8训练集流水线9测试集流水线10记录遇到的一些坑11完整代码1前言论文参考：1NeuralArchitecturesforNamedEntityRecognition2Attentionisallyouneed3BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding4BidirectionalLSTM-CRFModelsforSequenceTagging使用数据集：https://www.d

文章目录ResNet主体BasicBlockResNet18ResNet34ResNet20BottleneckBlockResNet50ResNet到底解决了什么问题选取经典的早期Pytorch官方实现代码进行分析https://github.com/pytorch/vision/blob/9a481d0bec2700763a799ff148fe2e083b575441/torchvision/models/resnet.py各种ResNet网络是由BasicBlock或者bottleneck构成的，它们是构成深度残差网络的基本模块ResNet主体ResNet的大部分各种结构是1层conv+

文章目录ResNet主体BasicBlockResNet18ResNet34ResNet20BottleneckBlockResNet50ResNet到底解决了什么问题选取经典的早期Pytorch官方实现代码进行分析https://github.com/pytorch/vision/blob/9a481d0bec2700763a799ff148fe2e083b575441/torchvision/models/resnet.py各种ResNet网络是由BasicBlock或者bottleneck构成的，它们是构成深度残差网络的基本模块ResNet主体ResNet的大部分各种结构是1层conv+

近几天跑完实验后，发现效果还是不错，于是开始进行模型的参数量、计算量和速度指标的计算对比，话不多说，直接上干货。--------------------------------------------------------------------------------------------------------------------------首先记住一句话：模型的参数量越小，这个模型的计算量不一定小，速度也不一定快。关于参数量和计算量：找到mmdetection或mmrotate的 tools/analysis_tools/get_flops.py文件，可以看到：config表示你