- 博客(9)
- 收藏
- 关注
RSS订阅原创 Figure 2详细解读
Figure 2 从“经验统计”和“数学机制”两方面证明：现有 MambaIR 的多方向扫描既低效又无法解决长程依赖问题，从而为引入非因果、类注意力的 Attentive State Space Modeling 提供了充分动机。
2026-01-05 19:38:30
813
原创 MambaIRv2: Attentive State Space Restoration（笔记）
基于Mamba的图像修复骨干网络近期在平衡全局感受野与计算效率方面展现出显著潜力。然而，Mamba固有的因果建模局限——即每个标记仅依赖于扫描序列中的前序像素——限制了对图像全域像素的充分利用，从而为图像修复任务带来了新的挑战。本文提出MambaIRv2模型，通过赋予Mamba类似视觉Transformer的非因果建模能力，构建出注意力驱动的状态空间修复模型。具体而言，所提出的注意力状态空间方程能够突破扫描序列的局限，仅通过单次扫描即可实现图像特征的高效展开。此外，我们进一步引入。
2025-12-30 18:04:28
793
原创 window系统下运行MANBAIR
选择 Ubuntu-20.04 → 找到 ~/miniconda3/envs/mambair/bin/python。打开 PyCharm → Settings → Project → Python Interpreter。重启后，在 Microsoft Store 安装 Ubuntu 20.04 LTS。确保你 Windows 已安装 NVIDIA 驱动 525+CPU虚拟化需要被开启（一定要检查是否开启）；点击 ⚙️ → Add → WSL。
2025-11-11 00:13:22
403
原创 小土堆--完整模型训练条路+可视化（二）
训练完第一轮，第二轮，第三轮，第十轮之后，其实在每一次训练完一轮之后，我们会在这边进行一个测试，我们让他在测试数据上跑一遍。其实我们发现我们即便得到整体的测试集上的一个loss,它好像也不能很好的说明我们在测试集上的表现的效果。以测试数据集上的一个损失，或者说已测数据集上的一个正确率，我们来评估我们这个模型有没有训练好。，在测试的过程中，我们就不需要对这个模型进行一个调优了，想利用我们现有的一个模型。他有没有训练好，或者说有没有达到你想要的一个需求，所以当我们训练完一轮的时候；
2025-10-30 19:12:24
561
原创 小土堆--完整模型训练条路（一）
（以CIFAR10数据集）本节课讲解了以CIFAR-10数据集为例的完整模型训练套路，包括数据准备、网络搭建、训练与测试步骤的实现。
2025-10-30 16:29:02
895
原创 PyTorch神经网络线性层详解与实战
本文介绍了PyTorch中神经网络线性层(torch.nn.Linear)的使用方法，通过CIFAR10数据集示例演示了如何将图片数据进行线性变换。主要内容包括：1）使用torch.reshape将输入数据展平；2）介绍专门的展平函数torch.flatten；3）构建包含线性层的自定义网络模块DeFu，实现从196608维到10维的特征变换。代码展示了输入输出张量的形状变化过程，帮助理解线性层在神经网络中的作用。
2025-10-16 17:35:09
329
原创 复现 GitHub 项目：步骤指南
对于小白来说在 GitHub 上复现深度学习项目可以是一个非常有益的学习过程（但是这个过程往往痛苦不堪），它能帮助你理解代码实现的细节，并可能为你自己的项目提供参考。下面是一个详细的步骤指南，帮助你复现 GitHub 上的项目。
2025-04-23 20:04:18
2519
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人