<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ch_ccc的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ch_ccc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ch_ccc]]></copyright><item><title><![CDATA[37 微调]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/163216882</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/163216882</guid><author>ch_ccc</author><pubDate>Sun, 26 Jul 2026 15:08:27 +0800</pubDate><description><![CDATA[使用一样架构的模型，模型初始化，从预训练模型中提取出来，输出层进行随机初始化。特征提取更容易学习，像素->特征->softmax回归。固定底层的一些层的参数，不参与更新。学习手段，转换为语义空间中。预训练速度更快，微调更好。高层特征与数据更加相关。]]></description><category></category></item><item><title><![CDATA[33、34.单机多卡并行运算、多GPU]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/163212865</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/163212865</guid><author>ch_ccc</author><pubDate>Sun, 26 Jul 2026 11:52:30 +0800</pubDate><description><![CDATA[多块GPU 并行运行，模型结果如何合并？batch_size参数寻优。无人车关心功耗，要功耗低。]]></description><category></category></item><item><title><![CDATA[36.数据增广]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/163210987</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/163210987</guid><author>ch_ccc</author><pubDate>Sun, 26 Jul 2026 10:49:21 +0800</pubDate><description><![CDATA[数据集上下翻转不一定总可行，例如建筑，上下翻转就很奇怪，猫上下翻转，头朝下也很奇怪。但是，手机识别时，有可能会遇到手机翻转导致照片上下翻转情况。从部署环境、采集到的数据、反推训练时需要采取的数据增强方法。在线进行增强，随机增强，增强的方法随机对数据进行增强。数据增强，已有的数据基础上，使得数据有更多的多样性。在当前值基础上进行色调、饱和度、明亮度。测试时，不对数据集进行增强。]]></description><category></category></item><item><title><![CDATA[29.ResNet]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/163087137</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/163087137</guid><author>ch_ccc</author><pubDate>Tue, 21 Jul 2026 22:35:18 +0800</pubDate><description><![CDATA[【代码】28.ResNet。]]></description><category></category></item><item><title><![CDATA[13.丢弃法]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/163086794</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/163086794</guid><author>ch_ccc</author><pubDate>Tue, 21 Jul 2026 22:13:27 +0800</pubDate><description><![CDATA[好的模型需要对输入数据有较好的鲁棒性。丢弃法：在层之间加入噪声，是一个正则。]]></description><category></category></item><item><title><![CDATA[22.池化层]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/162999594</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/162999594</guid><author>ch_ccc</author><pubDate>Sat, 18 Jul 2026 17:47:36 +0800</pubDate><description><![CDATA[通常放在卷积后面池化可能没有重叠。]]></description><category></category></item><item><title><![CDATA[21.多输入和输出通道]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/162999559</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/162999559</guid><author>ch_ccc</author><pubDate>Sat, 18 Jul 2026 17:45:50 +0800</pubDate><description><![CDATA[第一层已经输出了64个Feature Map,第二层要生成一个新的输出通道。多输出通道：每个输出通道学习一种模式（Feature）:对应通道的输入与对应通道的卷积核对应相乘，求和。同一个输出通道同时利用所有输入通道的信息。，但是卷积核不是同一个，是通过学习得到。多输出通道：每个输出通道学习一种模式。输出通道64 —— 检测其它局部模式。输出通道3  —— 检测45°边缘。输出通道1  —— 检测水平边缘。输出通道2  —— 检测垂直边缘。输出通道4  —— 检测纹理。输出通道5  —— 检测角点。]]></description><category></category></item><item><title><![CDATA[20.填充]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/162999526</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/162999526</guid><author>ch_ccc</author><pubDate>Sat, 18 Jul 2026 17:42:21 +0800</pubDate><description><![CDATA[把图片降成3 * 3、 5 * 5、 7 * 7大小，输入尺寸很大的话，不想用很多层，通常使用步幅2，每次减半。老师，现在已经有很多经典的网络结构了，对应于各种任务有各种结构，我们平时使用的时候，自己设计卷积核大小的情况多吗，还是说直接套用经典网络结构？问题16:老师，那多层的3*3卷积是不是和用不同大小的卷积核分别对原始图像做处理以后，再联合这些算出来的特征进行分类这种情况等价?问题17:底层用大kernel，上层用小kernel，相比都用同样宽度的kernel，哪种方案更适合目标有多尺度的情况?]]></description><category></category></item><item><title><![CDATA[28.批归一化]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/162998331</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/162998331</guid><author>ch_ccc</author><pubDate>Sat, 18 Jul 2026 16:05:59 +0800</pubDate><description><![CDATA[自动梯度求导：正向从下面数据往上走forward，但是你算backward时，是从上面往下传。问题：梯度在上面大，下面小（靠近数据位置）学习率是一个就是一个值，所以但是你下面层因为你梯度比较小，对你的权重的更新就比较少，那么你的问题就是说你的上面的东西会很快的，可能会收敛，下面东西会比较慢，那么导致一个问题是说每一次你更新下面的东西，上面就得重新训练。底层数据特征一般是局部边缘、纹理等，高层是语义信息特征。下面信息变化，上面就白学了。γβ上面很快收敛，下面靠近数据的不容易收敛μB​∣B。]]></description><category></category></item><item><title><![CDATA[19.卷积层]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/162998211</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/162998211</guid><author>ch_ccc</author><pubDate>Sat, 18 Jul 2026 16:00:02 +0800</pubDate><description><![CDATA[hij​ab∑​vijab​⋅xiajb​xh(ij)(iajb)vijab​v(ij)(ab)(ab)(ij。hij​ab∑​vab​⋅xiajb​。]]></description><category></category></item><item><title><![CDATA[OpenStreetMap地图.osm.pbf合并]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/159084101</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/159084101</guid><author>ch_ccc</author><pubDate>Sun, 15 Mar 2026 16:11:54 +0800</pubDate><description><![CDATA[合并china.osm.pbf 和taiwai.osm.pbfOsmconvert。]]></description><category></category></item><item><title><![CDATA[强化学习课程第2讲：探索与利用]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/157143349</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/157143349</guid><author>ch_ccc</author><pubDate>Mon, 19 Jan 2026 21:11:42 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[强化学习课程第4讲：动态规划]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/157101410</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/157101410</guid><author>ch_ccc</author><pubDate>Sun, 18 Jan 2026 19:25:57 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[强化学习课程第3讲：马尔可夫决策过程Ⅱ]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/157064888</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/157064888</guid><author>ch_ccc</author><pubDate>Sat, 17 Jan 2026 15:59:17 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[强化学习课程第3讲：马尔可夫决策过程Ⅰ]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/157063855</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/157063855</guid><author>ch_ccc</author><pubDate>Sat, 17 Jan 2026 14:48:56 +0800</pubDate><description><![CDATA[随机过程是一个或者多个事件，随机系统或随机现象随时间发生演变过程；]]></description><category></category></item><item><title><![CDATA[强化学习课程第1讲：强化学习简介I]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/156112317</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/156112317</guid><author>ch_ccc</author><pubDate>Sat, 20 Dec 2025 15:48:21 +0800</pubDate><description><![CDATA[广泛地讲，强化学习是机器通过与环境交互来实现目标的一种计算方法。机器和环境的一
轮交互是指，机器在环境的一个状态下做一个动作决策，把这个动作作用到环境当中，这个环
境发生相应的改变并且将相应的奖励反馈和下一轮状态传回机器。这种交互是迭代进行的，机
器的目标是最大化在多轮交互过程中获得的累积奖励的期望。强化学习用智能体（agent）这个
概念来表示做决策的机器。相比于有监督学习中的“模型”，强化学习中的“智能体”强调机器
不但可以感知周围的环境信息，还可以通过做决策来直接改变这个环境，而不只是给出一些预
测信]]></description><category></category></item><item><title><![CDATA[01.MMDetection3D训练]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/152732790</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/152732790</guid><author>ch_ccc</author><pubDate>Wed, 08 Oct 2025 20:28:36 +0800</pubDate><description><![CDATA[注意：将文件名kitti_mini修改名称为kitti, 放在路径下。]]></description><category></category></item><item><title><![CDATA[RTX5080显卡CUDA12.8环境下安装mmdetection3d]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/152174709</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/152174709</guid><author>ch_ccc</author><pubDate>Sat, 27 Sep 2025 18:52:27 +0800</pubDate><description><![CDATA[硬件计算能力查看：https://developer.nvidia.cn/cuda-gpus ，==2.2.0 版本存在。==2.1.0 下载。]]></description><category></category></item><item><title><![CDATA[08_多层感知机]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/151658335</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/151658335</guid><author>ch_ccc</author><pubDate>Sat, 13 Sep 2025 21:23:29 +0800</pubDate><description><![CDATA[① 先用蓝色的线分，再用黄色的线分。② 再对蓝色的线和黄色的线分出来的结果做乘法。# 实现一个具有单隐藏层的多层感知机，它包含256个隐藏单元num_inputs, num_outputs, num_hiddens = 784, 10, 256 # 输入、输出是数据决定的，256是调参自己决定的# 实现 ReLu 激活函数a = torch.zeros_like(X) # 数据类型、形状都一样，但是值全为 0# 实现模型。]]></description><category></category></item><item><title><![CDATA[07_Softmax回归、损失函数、分类]]></title><link>https://blog.youkuaiyun.com/ch_ccc/article/details/151651185</link><guid>https://blog.youkuaiyun.com/ch_ccc/article/details/151651185</guid><author>ch_ccc</author><pubDate>Sat, 13 Sep 2025 14:57:00 +0800</pubDate><description><![CDATA[① 三个常用的损失函数 L2 loss、L1 loss、Huber’s Robust loss。① 就像从零开始实现线性回归一样，应该知道softmax的细节。]]></description><category></category></item></channel></rss>