<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lzp_k2的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lzp_k2</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lzp_k2]]></copyright><item><title><![CDATA[CANN图并行]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/152212529</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/152212529</guid><author>lzp_k2</author><pubDate>Sun, 28 Sep 2025 11:59:28 +0800</pubDate><description><![CDATA[https://www.hiascend.com/zh/developer/techArticles/20240715-1]]></description><category></category></item><item><title><![CDATA[大模型训练并行]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/151933682</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/151933682</guid><author>lzp_k2</author><pubDate>Sun, 21 Sep 2025 19:24:50 +0800</pubDate><description><![CDATA[训练并行]]></description><category></category></item><item><title><![CDATA[flash attention经典]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/151864930</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/151864930</guid><author>lzp_k2</author><pubDate>Fri, 19 Sep 2025 17:49:09 +0800</pubDate><description><![CDATA[flash attention]]></description><category></category></item><item><title><![CDATA[YOLO系列经典重温]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/151801127</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/151801127</guid><author>lzp_k2</author><pubDate>Wed, 17 Sep 2025 19:21:01 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/gshang/p/18854626/yolov1_lossfunc]]></description><category></category></item><item><title><![CDATA[MaskRCNN、CascadeRCNN经典重温]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/151798434</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/151798434</guid><author>lzp_k2</author><pubDate>Wed, 17 Sep 2025 17:13:53 +0800</pubDate><description><![CDATA[在FasterRCNN基础上，增加了级联ROI-Head，实现了高效泛化。1、固定阈值不满足IOU分布如果使用较低的IOU阈值，那么会学习到大量的背景框，产生大量的噪声预测。但是 如果采用较高的阈值，这个检测器的表现往往会变得很差，两个主要的原因，第一就是随着IOU阈值的增加，正样本的数量会呈指数级的减小，因此产生过拟合。第二就是推理过程中出现于IOU的误匹配，也就是在训练优化感知器的过程中的最优IOU与输入proposal的IOU不相同，出现误匹配，这样很大程度上降低了检测精度。]]></description><category></category></item><item><title><![CDATA[RCNN、Fast-RCNN、Faster-RCNN经典重温]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/151785685</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/151785685</guid><author>lzp_k2</author><pubDate>Wed, 17 Sep 2025 10:16:58 +0800</pubDate><description><![CDATA[RCNNcnnsvmnmsregression。]]></description><category></category></item><item><title><![CDATA[pytorch-npu常用资料]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/127406298</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/127406298</guid><author>lzp_k2</author><pubDate>Wed, 19 Oct 2022 13:44:33 +0800</pubDate><description><![CDATA[昇腾pytorch-NPU资料汇总]]></description><category></category></item><item><title><![CDATA[矩阵求导的理解路径]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/125123037</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/125123037</guid><author>lzp_k2</author><pubDate>Sat, 04 Jun 2022 17:07:49 +0800</pubDate><description><![CDATA[摘要：整理矩阵求导的思路，便于后面复习快速回忆。函数表达式：y=f(x)导数表达式：熟悉高数的函数求导即可：1）导数形式：加减乘除幂指对，三角反三角等，2）运算法则：交换律、分配率等。元素对元素即输出y的每一个元素对输入x的每一个元素。如果f是标量，x是n维向量，则求导结果有1xn个元素如果f是m维向量,x是n维向量，则对到结果是mxn个元素如果f是qp矩阵，x是mn矩阵，则求导结果有qpmn个元素。具体shape和布局有关。分子：df(也即y)， 分母：dx分子布局df的形式是列向量，包括标量,列向量f，]]></description><category></category></item><item><title><![CDATA[yolov2]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/116772661</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/116772661</guid><author>lzp_k2</author><pubDate>Fri, 14 May 2021 00:37:06 +0800</pubDate><description><![CDATA[yolov2吸收了行业的技术，尝试筛选了有效的部分，并有自己的独到方法，最终实现了更好更快的检测效果。
消融实验如下：

bn
high res classifer：分类224到448衔接训练后，再做448检测
anchor，loss
dimension prior：kmean
new net：darknet 减少33%参数，更快
location：引入rpn并改良，归一化offset学习
passthrough：类似short cut，浅层特征直传；对于检测网络 空间信息是非常宝贵的，因此直传是必须的；这]]></description><category></category></item><item><title><![CDATA[2021-05-13]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/116744833</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/116744833</guid><author>lzp_k2</author><pubDate>Thu, 13 May 2021 12:22:52 +0800</pubDate><description><![CDATA[模型修改嘞：https://blog.youkuaiyun.com/weixin_42118374/article/details/103761795；另：模型的巧用：https://zhuanlan.zhihu.com/p/64959500
目前先推荐

]]></description><category></category></item><item><title><![CDATA[再看yolo系列]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/116724419</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/116724419</guid><author>lzp_k2</author><pubDate>Wed, 12 May 2021 23:59:26 +0800</pubDate><description><![CDATA[yolov1
历史意义：开创了one stage新纪元，特点是非常快，这使得深度学习目标检测不再仅是停留在学术界，而是走向工业应用变现。因此尽管yolov1有很多缺点，仍然是具有跨越意义的开山之作。
创新：去掉了region proposal，用整个图像上回归位置，真正做到了端到端。
原理：入口77，drop，没有ancker，fc，类别损失直接减，
缺点：77网格cell，检测密度不足；每个cell尽管有B=2个边框，但是仅输出一个目标，对重复目标检测天然不足；没有bn；fc自适应尺寸；损失函数粗暴；小物]]></description><category></category></item><item><title><![CDATA[递推算法中如何避免死循环]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/110308383</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/110308383</guid><author>lzp_k2</author><pubDate>Sun, 29 Nov 2020 12:12:45 +0800</pubDate><description><![CDATA[基本思想是：避免循环条件未更新



以二分为例：


# find right edge
l, r = 0, n-1
while l&lt;r:
    mid = (l + r + 1)//2
    if que[mid] &lt;= x:
        l = mid
    else:
        r = mid -1

mid=(l+r+1)//2,这里为什么要+1呢？

因为如果递推过程中，l,r逐渐接近，会出现l=r-1的情况。此时如果

mid=(l+r)//2，

即mid=l，.]]></description><category></category></item><item><title><![CDATA[单硬盘装双系统window和ubuntu]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/105572571</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/105572571</guid><author>lzp_k2</author><pubDate>Fri, 17 Apr 2020 11:43:57 +0800</pubDate><description><![CDATA[以windows10和ubuntu18.04为例



1 制作windows U启动盘

下载iso文件

网上系统很多：系统之家，雨林木风...。

干净的系统推荐：msdn i tell you, 版本 Windows 10 Enterprise LTSC 2019 (x64) - DVD (Chinese-Simplified)

下载winpe工具：

微PE

制作PE系统。

执行...]]></description><category></category></item><item><title><![CDATA[转置卷积transpose convolution]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/103464764</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/103464764</guid><author>lzp_k2</author><pubDate>Thu, 12 Dec 2019 21:43:32 +0800</pubDate><description><![CDATA[参考：

A guide to convolution arithmetic for deep learning.(Vincent Dumoulin, Francesco Visin).[https://arxiv.org/abs/1603.07285]

中文：https://zhuanlan.zhihu.com/p/48501100



1概念

转置卷积就是用卷积矩阵的转置矩阵进行卷积。...]]></description><category></category></item><item><title><![CDATA[分割网络FCN]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/103406136</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/103406136</guid><author>lzp_k2</author><pubDate>Fri, 06 Dec 2019 12:14:31 +0800</pubDate><description><![CDATA[原作者源码地址[32s, caffe]：https://github.com/shelhamer/fcn.berkeleyvision.org/blob/master/voc-fcn32s/net.py

(

基本忠于原作的翻译地址[32s, pytorch]：https://github.com/wkentaro/pytorch-fcn/blob/master/torchfcn/m...]]></description><category></category></item><item><title><![CDATA[双线性插值bilinear interpolation]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/103226175</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/103226175</guid><author>lzp_k2</author><pubDate>Sun, 01 Dec 2019 11:33:16 +0800</pubDate><description><![CDATA[线性插值，双线性插值Bilinear Interpolation算法

https://blog.youkuaiyun.com/xbinworld/article/details/65660665

https://blog.youkuaiyun.com/xjz18298268521/article/details/51220576

图像处理常用插值方法总结

https://cloud.tencent.com/...]]></description><category></category></item><item><title><![CDATA[反向传播之softmax求导]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/103282820</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/103282820</guid><author>lzp_k2</author><pubDate>Wed, 27 Nov 2019 20:30:40 +0800</pubDate><description><![CDATA[softmax求导

[先看这个，别的网页有误导]简单易懂的softmax交叉熵损失函数求导

https://www.jianshu.com/p/c02a1fbffad6

[适当看看]详解softmax函数以及相关求导过程

https://zhuanlan.zhihu.com/p/25723112

loss定义及本级导数

loss定义



公式：





其中：

C表示数据共有C个...]]></description><category></category></item><item><title><![CDATA[ubuntu系统anaconda降级python3.7为python3.6]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/102609887</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/102609887</guid><author>lzp_k2</author><pubDate>Thu, 17 Oct 2019 16:42:54 +0800</pubDate><description><![CDATA[1 设置anaconda权限


sudo chmod -R o+w /home/user/anaconda3




2 安装需要的版本


conda install python=3.6


只是替换几个文件，很快。

提示：


Preparing transaction: done
Verifying transaction: done
Executing transaction...]]></description><category></category></item><item><title><![CDATA[ubuntu和terminal操作快捷键]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/102564320</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/102564320</guid><author>lzp_k2</author><pubDate>Tue, 15 Oct 2019 11:59:55 +0800</pubDate><description><![CDATA[参考：

https://www.cnblogs.com/upstart/p/6986469.html



常用快捷键

super就是win窗口键。

默认快捷键

按住super键持续1s，会显示系统快捷键。常看看，操作效率会有很大提高。

例如ctrl + alt + Num数字键，可以将窗口放到屏幕的相应位置。这在屏幕越来越大的今天尤其方便。



ubuntu快捷键:

alt +...]]></description><category></category></item><item><title><![CDATA[人工智能的应用举例]]></title><link>https://blog.youkuaiyun.com/lzp_k2/article/details/101998343</link><guid>https://blog.youkuaiyun.com/lzp_k2/article/details/101998343</guid><author>lzp_k2</author><pubDate>Thu, 03 Oct 2019 23:23:12 +0800</pubDate><description><![CDATA[参考：

为什么“机场”成了 AI 独角兽们的香饽饽？

https://mbd.baidu.com/newspage/data/landingsuper?context=%7B%22nid%22%3A%22news_9822132014606031418%22%7D&amp;n_type=0&amp;p_from=1

1 概述

这是一篇综述性质的文章。标题命名考虑了一会儿，还是命名为人工智能...]]></description><category></category></item></channel></rss>