上午想尝试一下BLIP-2在自建图像数据集上的描述生成效果，但由于当前环境的python版本不能够支持最新版本的transformers库，于是新建一个python3.7的环境在其上安装较新版本的transformers库。但在使用命令pipinstalltorch==1.7.1+cu110torchvision==0.8.2+cu110torchaudio==0.7.2-fhttps://download.pytorch.org/whl/torch_stable.html安装torch过程中，报错如下：(python3.7)╭─root@1c113923969c/╰─#pipinstallt
BCE（BinaryCrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结图像二分类问题—>多标签分类二分类是每个AI初学者接触的问题，例如猫狗分类、垃圾邮件分类…在二分类中，我们只有两种样本（正样本和负样本），一般正样本的标签y=1，负样本的标签y=0。比如下边这张图片，判断里边有没有人。那么这张图片的标签为y=1，这时我们就根据标签y=1来设计模型的输出就行了。因为二分类只有正样本和负样本，并且两者的概率之和为1，所以不需要预测一个向量，只需要输出一个概
BCE（BinaryCrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结图像二分类问题—>多标签分类二分类是每个AI初学者接触的问题，例如猫狗分类、垃圾邮件分类…在二分类中，我们只有两种样本（正样本和负样本），一般正样本的标签y=1，负样本的标签y=0。比如下边这张图片，判断里边有没有人。那么这张图片的标签为y=1，这时我们就根据标签y=1来设计模型的输出就行了。因为二分类只有正样本和负样本，并且两者的概率之和为1，所以不需要预测一个向量，只需要输出一个概
博主已有：Pycharm+Anaconda通过这篇博客你将获得：Cuda10.2+cuDNN11.x+Pytorch1.8.0(GPU)importtorchprint(torch.cuda.is_available())print(torch.__version__)print(torch.version.cuda)True1.8.010.2目录1.确定自己电脑有无显卡2.确定显卡支持的cuda最高版本3.下载安装cuda4.安装cuDNN 5.安装Pytorch(重要！易踩坑！）6.pycharm切换不了环境问题7.总结 今天是三月1日，开学的第一周，这个学期准备进军深度学习，主打的框
博主已有：Pycharm+Anaconda通过这篇博客你将获得：Cuda10.2+cuDNN11.x+Pytorch1.8.0(GPU)importtorchprint(torch.cuda.is_available())print(torch.__version__)print(torch.version.cuda)True1.8.010.2目录1.确定自己电脑有无显卡2.确定显卡支持的cuda最高版本3.下载安装cuda4.安装cuDNN 5.安装Pytorch(重要！易踩坑！）6.pycharm切换不了环境问题7.总结 今天是三月1日，开学的第一周，这个学期准备进军深度学习，主打的框
注意力机制1SENet2ECANet3CBAM3.1通道注意力3.2空间注意力3.3CBAM4展示网络层具体信息5SKNet6scSE7Non-LocalNet8GCNet9注意力机制后期学习到再持续更新！！2023年，3月2号，新增SKNet代码2023.3.10新增scSE代码2023.3.11新增Non-LocalNet非局部神经网络2023.3.13新增GCNet1SENetSE注意力机制（Squeeze-and-ExcitationNetworks）:是一种通道类型的注意力机制，就是在通道维度上增加注意力机制，主要内容是是squeeze和excitation.就是使用另外一个新的神经
注意力机制1SENet2ECANet3CBAM3.1通道注意力3.2空间注意力3.3CBAM4展示网络层具体信息5SKNet6scSE7Non-LocalNet8GCNet9注意力机制后期学习到再持续更新！！2023年，3月2号，新增SKNet代码2023.3.10新增scSE代码2023.3.11新增Non-LocalNet非局部神经网络2023.3.13新增GCNet1SENetSE注意力机制（Squeeze-and-ExcitationNetworks）:是一种通道类型的注意力机制，就是在通道维度上增加注意力机制，主要内容是是squeeze和excitation.就是使用另外一个新的神经
前言由于最近可能要参加关于目标检测和跟踪的比赛,所以先提前装好环境.我的环境以及各种配置版本:系统:Ubuntu18.04.6CUDA:11.04Python3.7+Pytorch1.10.1显卡:-准备工作搭建conda虚拟环境搭建一个名字叫mmtracking的环境,当然名字可以随意取.condacreate-nmmtrackingpython=3.7-y激活环境condaactivatemmtracking安装pytorch我的cuda版本是11.4,但是也可以按照官网的这个命令下载pytorch的链接#CUDA11.3condainstallpytorch==1.10.1torchvi
前言由于最近可能要参加关于目标检测和跟踪的比赛,所以先提前装好环境.我的环境以及各种配置版本:系统:Ubuntu18.04.6CUDA:11.04Python3.7+Pytorch1.10.1显卡:-准备工作搭建conda虚拟环境搭建一个名字叫mmtracking的环境,当然名字可以随意取.condacreate-nmmtrackingpython=3.7-y激活环境condaactivatemmtracking安装pytorch我的cuda版本是11.4,但是也可以按照官网的这个命令下载pytorch的链接#CUDA11.3condainstallpytorch==1.10.1torchvi
pycharm配置pytorch1.先安装AnacondaAnaconda3-5.2.0-Windows-x86_64.exe2.下载cuda检查电脑是否有合适的GPU在桌面上右击如果能找到NVIDA控制面板，则说明该电脑有GPU。控制面板如下，并通过查看系统信息获取支持的Cuda版本点击帮助->点击系统信息弹出下面的对话框，在驱动程序版本那一栏就能看到该计算机使用的驱动版本。下载Cuda官网：https://developer.nvidia.com/cuda-10.1-download-archive-update2然后，根据实际情况选择合适的版本3.下载CuDNN官网https://dev
