<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[creativity2021的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/creativity2021</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; creativity2021]]></copyright><item><title><![CDATA[ubuntu,确认cudnn是否安装成功]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/139480065</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/139480065</guid><author>creativity2021</author><pubDate>Wed, 05 Jun 2024 19:08:18 +0800</pubDate><description><![CDATA[ubuntu,确认cudnn是否安装成功]]></description><category></category></item><item><title><![CDATA[添加pip源,ubuntu]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/139479952</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/139479952</guid><author>creativity2021</author><pubDate>Wed, 05 Jun 2024 19:03:16 +0800</pubDate><description><![CDATA[【代码】添加pip源,ubuntu。]]></description><category></category></item><item><title><![CDATA[ubuntu，常用文件夹压缩、解压]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136614577</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136614577</guid><author>creativity2021</author><pubDate>Mon, 11 Mar 2024 09:21:15 +0800</pubDate><description><![CDATA[常用文件夹压缩、解压。]]></description><category></category></item><item><title><![CDATA[ValueError: Reference is empty.]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136592135</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136592135</guid><author>creativity2021</author><pubDate>Sat, 09 Mar 2024 22:06:14 +0800</pubDate><description><![CDATA[表明你的代码中存在一个引用（reference）为空的错误。在 Python 中，这通常发生在你尝试使用一个空对象或者不存在的引用时。检查你的代码并找出引起错误的具体原因，然后根据具体情况采取相应的措施，如正确初始化变量、确保访问的元素或属性存在，或者修复函数返回值。要解决这个问题，你需要追踪引起错误的部分并检查你的代码，找出引用为空的地方。如果一个变量没有被赋予任何值，那么它的引用就为空。在尝试访问列表、字典、类实例等的元素或属性时，确保它们确实存在。），可能会导致引用为空的错误。]]></description><category></category></item><item><title><![CDATA[大语言模型中，role为user、assistant、system有什么区别]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136591154</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136591154</guid><author>creativity2021</author><pubDate>Sat, 09 Mar 2024 21:14:18 +0800</pubDate><description><![CDATA[在对话系统或交互式应用中，用户、助手和系统之间的交互通常是动态的和复杂的。用户向系统提出问题或请求，助手解释用户的意图并向系统传达，系统根据用户的输入和上下文生成相应的响应，并通过助手传达给用户。在大语言模型中，通常涉及到三种角色：用户（user）、助手（assistant）和系统（system）。它们的区别在于其在对话或交互过程中扮演的角色和功能。总的来说，用户、助手和系统在大语言模型中代表了不同的角色和功能，共同构成了对话或交互过程的重要组成部分。]]></description><category></category></item><item><title><![CDATA[tr(self, key, value)AttributeError: property ‘eos_token‘ of ‘ChatGLMTokenizer‘ object has no]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136589389</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136589389</guid><author>creativity2021</author><pubDate>Sat, 09 Mar 2024 20:07:11 +0800</pubDate><description><![CDATA[复制原模型的tokenizer_config.json文件到新模型下，覆盖新模型的这个文件。peft->0.7.1 ,然后训练，再推理试试看。peft 包： 训练时与推理时版本不一致。结果：pass ，ok。]]></description><category></category></item><item><title><![CDATA[大语言模型训练， Freeze方法、Lora方法、P-Tuning方法、全量参数在训练时、适用场景方面都有什么区别]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136504993</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136504993</guid><author>creativity2021</author><pubDate>Wed, 06 Mar 2024 14:20:14 +0800</pubDate><description><![CDATA[大语言模型训练，微调方法优缺点]]></description><category></category></item><item><title><![CDATA[YOLOv5 的网络设计特点]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136459143</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136459143</guid><author>creativity2021</author><pubDate>Mon, 04 Mar 2024 18:21:03 +0800</pubDate><description><![CDATA[YOLOv5 使用了CSPDarknet53 作为其主干网络（backbone），CSPDarknet 是一种具有高效性能的卷积神经网络结构，它采用了交叉防止特征分解（Cross Stage Partial）的设计，能够更有效地进行特征提取和信息传递。：YOLOv5 采用了一种称为 “Panoptic” 的结构，结合了 YOLOv3 和 YOLOv4 的设计以及大量的新特性，以实现更好的目标检测性能。：YOLOv5 通过优化网络设计、剪枝和量化技术，实现了更快的训练和推理速度，适合于实时的物体检测应用。]]></description><category></category></item><item><title><![CDATA[stable diffusion比 transformer 作了哪些改进]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136390932</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136390932</guid><author>creativity2021</author><pubDate>Fri, 01 Mar 2024 11:21:44 +0800</pubDate><description><![CDATA[Stable Diffusion 是一个基于自注意力机制的生成模型，它的设计受到了 Transformer 模型的启发，但也在很多方面进行了改进。总的来说，Stable Diffusion 在借鉴 Transformer 的自注意力机制基础上，通过引入扩散过程和改进的损失函数设计等方面的改进，提高了模型的生成稳定性、长距离依赖处理能力和生成质量。：由于稳定性和长距离依赖处理的改进，Stable Diffusion 在生成图像和文本时往往能够取得更好的质量和多样性，降低了生成结果中的错误和重复。]]></description><category></category></item><item><title><![CDATA[有同学可能会问【python中, 存在列表a，函数f的参数为列表，将列表a作为参数传入函数f，在函数内改变列表a的内容，该函数执行完后，在函数外，列表a的内容发生了变化，为什么】]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136390760</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136390760</guid><author>creativity2021</author><pubDate>Fri, 01 Mar 2024 11:19:15 +0800</pubDate><description><![CDATA[python，函数参数为列表]]></description><category></category></item><item><title><![CDATA[lib/python3.9/site-packages/torch/include/ATen/cuda/CUDAContext.h:10:10: fatal error: cusolverDn.h:]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136301927</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136301927</guid><author>creativity2021</author><pubDate>Mon, 26 Feb 2024 16:05:24 +0800</pubDate><description><![CDATA[sudo apt install nvidia-cuda-dev]]></description><category></category></item><item><title><![CDATA[python， 图像混合效果cv2.addWeighted]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136212558</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136212558</guid><author>creativity2021</author><pubDate>Wed, 21 Feb 2024 15:14:57 +0800</pubDate><description><![CDATA[当使用 cv2.addWeighted() 函数时，可以通过调整两幅图像的权重参数来实现图像混合效果。，最后使用 cv2.addWeighted() 函数将两幅图像混合在一起，得到了混合后的结果。使用 cv2.addWeighted() 函数时，需要保证两幅图像的尺寸和通道数相同。是一个常数，用来调整亮度。这个函数常用于图像叠加、混合以及图像融合等操作。函数用于将两幅图像按照给定的权重相加。是两幅图像的权重参数，控制了两幅图像在最终结果中的比例，在这个例子中，首先读取了两幅图像。函数展示混合后的图像。]]></description><category></category></item><item><title><![CDATA[python，restful api简单示例（post方式）]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136206120</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136206120</guid><author>creativity2021</author><pubDate>Wed, 21 Feb 2024 11:06:35 +0800</pubDate><description><![CDATA[【代码】python，restful api简单示例（post方式）]]></description><category></category></item><item><title><![CDATA[python ，BGR转RGB]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136206008</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136206008</guid><author>creativity2021</author><pubDate>Wed, 21 Feb 2024 10:46:20 +0800</pubDate><description><![CDATA[转换为 RGB 颜色值。转换的关键在于将 B、G、R 三个通道的顺序进行交换，从而得到 RGB 颜色值。表示从后向前取值，即将原本的 BGR 颜色值元组的顺序进行颠倒，得到 RGB 颜色值。在这里，我们将一个代表 BGR 颜色值的元组。希望这可以帮助到你！]]></description><category></category></item><item><title><![CDATA[ubuntu，【后端执行python代码】的方法 ，详解]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136190017</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136190017</guid><author>creativity2021</author><pubDate>Tue, 20 Feb 2024 14:40:54 +0800</pubDate><description><![CDATA[这些是一些常见的方法，你可以根据具体的需求选择最适合的方法来后台执行 Python 代码。]]></description><category></category></item><item><title><![CDATA[ubuntu、bash，执行python代码]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136153139</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136153139</guid><author>creativity2021</author><pubDate>Sun, 18 Feb 2024 15:39:02 +0800</pubDate><description><![CDATA[通过执行 Bash 脚本来运行 Python 代码。替换为你要运行的实际的 Python 代码文件名。保存文件并关闭编辑器。]]></description><category></category></item><item><title><![CDATA[安装 basicsr==1.4.2时报错，【basicsr 1.4.2 depends on tb-nightly】]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/136048266</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/136048266</guid><author>creativity2021</author><pubDate>Mon, 05 Feb 2024 21:36:46 +0800</pubDate><description><![CDATA[安装 basicsr==1.4.2；]]></description><category></category></item><item><title><![CDATA[windows10无法访问共享文件夹（ubuntu），0x80004005]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/135969518</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/135969518</guid><author>creativity2021</author><pubDate>Thu, 01 Feb 2024 11:14:54 +0800</pubDate><description><![CDATA[在右边新建名为AllowInsecureGuestAuth的DWORD（32位）值并赋值为1 ，按F5刷新。win10，访问ubuntu下共享文件夹，无法访问，报错误代码0x80004005。1）在键盘输入WIN+R键，打开运行输入框。2）在运行输入框输入regedit,按回车。]]></description><category></category></item><item><title><![CDATA[unet网络的上采样、下采样作用]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/135767632</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/135767632</guid><author>creativity2021</author><pubDate>Tue, 23 Jan 2024 11:43:53 +0800</pubDate><description><![CDATA[在编码器中,网络从输入图像中提取多尺度的特征表示,然后通过解码器将这些特征映射回原始图像尺寸,以实现图像分割。因此,上采样和下采样在U-Net中起到了关键的作用,有助于提取更准确的特征表示,从而实现更好的图像分割。在编码器中,下采样操作将特征图的尺寸缩小,然后通过上采样操作将其重新放大,从而保留更多的细节信息。在U-Net中,上采样和下采样是两个重要的操作,用于在编码器和解码器之间传递信息。是指将特征图的尺寸上采样到更高的层次,以增加特征图的细节信息。是指将特征图的尺寸缩小到更高的层次。]]></description><category></category></item><item><title><![CDATA[ubuntu20，启动后端服务的方式（例如crontab）]]></title><link>https://blog.youkuaiyun.com/creativity2021/article/details/135764500</link><guid>https://blog.youkuaiyun.com/creativity2021/article/details/135764500</guid><author>creativity2021</author><pubDate>Tue, 23 Jan 2024 10:08:56 +0800</pubDate><description><![CDATA[您可以创建一个`.service`文件来定义您的后端服务，并使用`systemctl`命令来启动、停止和管理服务。2. `init.d`脚本：在旧版的Ubuntu上，使用`init.d`脚本启动后台服务是常见的做法。4. `nohup`命令：您也可以直接在终端中使用`nohup`命令来启动后端服务，并使用`&`将其放入后台运行。在这个例子中，`/path/to/your_script.py`是您的后端服务的路径，`/path/to/your_logfile.log`是希望将输出写入的日志文件的路径。]]></description><category></category></item></channel></rss>