<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dear_queen的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dear_queen</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dear_queen]]></copyright><item><title><![CDATA[qlora微调]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/137111047</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/137111047</guid><author>dear_queen</author><pubDate>Thu, 28 Mar 2024 14:27:46 +0800</pubDate><description><![CDATA[【代码】qlora微调。]]></description><category></category></item><item><title><![CDATA[Ubuntu 的cuda更新]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/137052354</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/137052354</guid><author>dear_queen</author><pubDate>Tue, 26 Mar 2024 17:21:50 +0800</pubDate><description><![CDATA[1.首先进入root，禁用nouveau。3.查找最适合的显卡驱动。2.卸载原有的显卡驱动。]]></description><category></category></item><item><title><![CDATA[docker拉取镜像很慢]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/128200877</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/128200877</guid><author>dear_queen</author><pubDate>Tue, 06 Dec 2022 12:34:15 +0800</pubDate><description><![CDATA[docker拉取镜像很慢问题]]></description><category></category></item><item><title><![CDATA[知识蒸馏-【初识】]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/127431103</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/127431103</guid><author>dear_queen</author><pubDate>Wed, 02 Nov 2022 11:02:03 +0800</pubDate><description><![CDATA[刚开始了解知识蒸馏这个领域，做个知识拓展学习：参考知识蒸馏即通过一个精度比较高即知识储备比较多的教师模型（当然可以多个教师），将知识迁移给学生模型，该学生模型的结构会较为轻量且高效。在图像识别中，采用教师模型作分类，通常直接输出1 or 0；如在识别马、驴、汽车的过程中，hard targets是在神经网络预测时，该图是马的情况，直接会输出马，即预测概率为马的值为1，对长相略像马的驴也直接会直接输出0。这种方式就是硬标签，这样的方式于我们而言是不利的。]]></description><category></category></item><item><title><![CDATA[transformer系列论文-Sliced Recursive Transformer]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/127284389</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/127284389</guid><author>dear_queen</author><pubDate>Thu, 13 Oct 2022 14:55:03 +0800</pubDate><description><![CDATA[我们发现，对于以分层方式学习视觉数据上更好的表示是非常重要的，正如我们将在实验的图10中介绍的那样。此外，即使是最简单的递归操作，也可以提高利用参数的紧凑性，而无需修改变压器块结构，这与其他 [50、61、24、55、57、37、31、59] 不同，它们会添加更多参数或涉及来自输入的其他细粒度信息 [19]。，并提出了用于降低递归运算复杂性的自我注意方法的近似方法。-我们研究了在视觉变压器中利用切片组自我注意来利用递归操作的可行性，这是建立有效变压器的有希望的方向，并且以前尚未得到很好的探索。]]></description><category></category></item><item><title><![CDATA[深度学习SOTA的tricks]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/127238458</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/127238458</guid><author>dear_queen</author><pubDate>Mon, 10 Oct 2022 09:32:11 +0800</pubDate><description><![CDATA[深度学习SOTA的tricks分享]]></description><category></category></item><item><title><![CDATA[SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation（NeurIPS 22）]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/127105679</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/127105679</guid><author>dear_queen</author><pubDate>Fri, 30 Sep 2022 16:30:19 +0800</pubDate><description><![CDATA[我们介绍了SegNeXt，这是一种用于语义分割的简单卷积网络体系结构。由于在编码空间信息时自我注意的效率，最近基于Transformer的模型已主导语义分割领域。在本文中，我们证明了卷积注意比Transformer中的自注意机制更有效地编码上下文信息。本文对已有成功分割方案进行了重审视并发现了几个有助于性能提升的关键成分，进而促使我们设计了一种新型的卷积注意力架构方案SegNeXt。]]></description><category></category></item><item><title><![CDATA[transformer系列应用于CV论文理解]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126942782</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126942782</guid><author>dear_queen</author><pubDate>Fri, 23 Sep 2022 16:23:33 +0800</pubDate><description><![CDATA[对经典的transformer应用于cv中的骨干理解。包含原始的Transformer、ViT以及Swin transformer.....后续可能会继续更新]]></description><category></category></item><item><title><![CDATA[再读HorNet论文]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126418844</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126418844</guid><author>dear_queen</author><pubDate>Fri, 19 Aug 2022 10:55:14 +0800</pubDate><description><![CDATA[vision transformer是利用多头自注意力机制动态生成权重来混合空间标记（mix spatial tokens），但是自注意输入量的 quadratic complexity极大的阻碍了vision transformer的应用。为此hornet并不向此前方法一样降低自注意力的复杂度，而是通过卷积核全连接层等简单操作实现空间相互作用。hornet的结构在最左边，其中gnconv的作用是通过门控卷积和递归设计高效实现任意阶空间相互作用。我们展示了执行不同交互顺序的代表性空间建模操作。]]></description><category></category></item><item><title><![CDATA[报错RuntimeError: CUDA error: CUBLAS_STATUS_EXECUTION_FAILED when calling `cublasGemmEx( handle, opa,]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126406449</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126406449</guid><author>dear_queen</author><pubDate>Thu, 18 Aug 2022 15:15:36 +0800</pubDate><description><![CDATA[RuntimeError: CUDA error: CUBLAS_STATUS_EXECUTION_FAILED when calling `cublasGemmEx( handle, opa, opb, m, n, k, &falpha, a, CUDA_R_16F, lda, b, CUDA_R_16F, ldb, &fbeta, c, CUDA_R_16F, ldc, CUDA_R_32F, CUBLAS_GEMM_DFALT_TENSOR_OP)`

]]></description><category></category></item><item><title><![CDATA[HorNet: Efficient High-Order Spatial Interactions with Recursive Gated Convolutions]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126142299</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126142299</guid><author>dear_queen</author><pubDate>Fri, 12 Aug 2022 15:54:04 +0800</pubDate><description><![CDATA[近年来，视觉transformer在基于点积自注意的空间建模机制驱动下，在各种任务中取得了巨大的成功。在本文中，我们展示了视觉transformer背后的关键成分，即输入自适应、远程和高阶空间交互，也可以通过基于卷积的框架有效地实现。我们提出了递归门控卷积(gnConv)，它执行与门控卷积和递归设计的高阶空间交互。新的运算具有高度的灵活性和可定制性，它兼容各种卷积的变体，并将自注意的二阶相互作用扩展到任意阶，而不增加大量的计算量。gnConv可以作为即插即用模块来改进各种视觉变压器和基于卷积的模型。....]]></description><category></category></item><item><title><![CDATA[python安装合集]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126171457</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126171457</guid><author>dear_queen</author><pubDate>Fri, 05 Aug 2022 09:47:43 +0800</pubDate><description><![CDATA[安装python库]]></description><category></category></item><item><title><![CDATA[用cygwin下载安装ncview（windows 下安装ncview）]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126099250</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126099250</guid><author>dear_queen</author><pubDate>Tue, 02 Aug 2022 09:34:29 +0800</pubDate><description><![CDATA[在cygwin下安装ncview软件]]></description><category></category></item><item><title><![CDATA[安装cygwin软件]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/126095798</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/126095798</guid><author>dear_queen</author><pubDate>Mon, 01 Aug 2022 12:33:10 +0800</pubDate><description><![CDATA[安装cygwin软件]]></description><category></category></item><item><title><![CDATA[PP-LiteSeg:代码]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/124408293</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/124408293</guid><author>dear_queen</author><pubDate>Mon, 02 May 2022 16:31:02 +0800</pubDate><description><![CDATA[前面讲解了pp-liteseg的论文部分，但是其中有些细节不太明确，比如在UAFM结构中attention模块有spatial和channel两种注意力，但是怎么融合的不知道，细节怎么处理的也不太清楚，为此看下代码部分内容
UAFM代码部分
融合代码部分
附录
UAFM部分

class UAFM(nn.Layer):
    """
    The base of Unified Attention Fusion Module.
    Args:
        x_ch (int): The chan]]></description><category></category></item><item><title><![CDATA[PP-LiteSeg: A Superior Real-Time Semantic Segmentation Model-2022.4.6]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/124400068</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/124400068</guid><author>dear_queen</author><pubDate>Mon, 02 May 2022 16:19:06 +0800</pubDate><description><![CDATA[最近看到了这个PP-LiteSeg，虽然没有用过paddle但是一直想尝试下，看到这个网络结构看起来不错的亚子，先浅看下叭。
论文地址
代码地址
哈哈哈，这篇论文出自4.6，我还挺紧跟时事呢
pp-liteseg的代码段
pp-liteseg摘要1.introduction2.related work2.1 semantic segmentation2.2 real-time semantic segmentation2.3 feature fusion module3.proposed method3.1]]></description><category></category></item><item><title><![CDATA[论文阅读-GiraffeDet: A Heavy-Neck Paradigm for Object Detection]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/124289353</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/124289353</guid><author>dear_queen</author><pubDate>Wed, 20 Apr 2022 14:08:42 +0800</pubDate><description><![CDATA[GiraffeDet: A Heavy-Neck Paradigm for Object Detection
一般我们遇见的检测器都是更偏重于骨干网络的设计，采用重骨干轻neck的设计理念，本文是采用了轻backbone，重neck的方式。该结构可进行不同空间尺度以及不同级别潜在语义的密集信息交换，。这种设计范式帮助检测器在网络的早期阶段以相同的优先级处理高级语义信息和低级空间信息，使其在检测任务中更有效，同时，该论文提出以S2D Chain为组合模块，构建light backbone，再以Queen Fu]]></description><category></category></item><item><title><![CDATA[cv2.error: OpenCV(4.5.5) :-1: error: (-5:Bad argument) in function ‘resize‘]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/124289293</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/124289293</guid><author>dear_queen</author><pubDate>Wed, 20 Apr 2022 09:19:56 +0800</pubDate><description><![CDATA[遇到该问题，我第一反应是该opencv-python的版本不兼容，于是卸载重装，但是并未有效。
后面在知乎看到说是代码没有问题是数据集问题，求解呀

]]></description><category></category></item><item><title><![CDATA[根据csv文件划分类别文件夹]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/123979347</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/123979347</guid><author>dear_queen</author><pubDate>Tue, 05 Apr 2022 22:49:33 +0800</pubDate><description><![CDATA[首先看下我的文件：

这里train.csv为我们的训练文件目录，包含image和labels两列内容。

train_images存放的是全部的训练图像数据，train存放我们即将生成的分类文件夹，目前为空。
代码如下：其中label_path是训练csv文件，o_pth为文件目录，new_pth为想要存放的分类文件夹目录。
import os
import time
import shutil
import pandas as pd

label_path = 'D:\data_test\plant-p]]></description><category></category></item><item><title><![CDATA[下载安装pydensecrf]]></title><link>https://blog.youkuaiyun.com/dear_queen/article/details/123819366</link><guid>https://blog.youkuaiyun.com/dear_queen/article/details/123819366</guid><author>dear_queen</author><pubDate>Tue, 29 Mar 2022 13:43:06 +0800</pubDate><description><![CDATA[直接下载安装pydensecrf会报错时：
下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#pydensecrf
直接pip install pydensecrf会报错Installing collected packages: pydensecrf
Running setup.py install for pydensecrf … error
这里选择上面的链接下载即可：

先看下自己的python版本

这里选择一个下载其whl文件

就可以了

...]]></description><category></category></item></channel></rss>