onlyyoujojo的博客

在后面的前向反向积累会用到。AD需要用到中间变量的导数，所以Jacobian matrix就是来计算这些的。

大概就是这样一个效果。不过很蛋疼的一件是是，超分的模型太吉尔大了，我这是剪裁后的图片可以超分出来，再大一点就不行了，真的操蛋。为什么要进行超分，是因为棋盘格角点检测的不好，当对图片进行超分之后，棋盘格其实是变大了，因为像素变多了。一个lua写的图像超分代码，作者给的示例是二次元图像，不知道适不适合普通的图像。上面的是在麑蚂太大了，占显存，找了个小的。不如好好拍两张清晰的、大一点的照片。为了标定相机用超分，杀鸡用了牛刀。检测的效果就是这样。

具体来说，示例中的输入文本的分布和标签空间对上下文学习的性能提升起到关键作用，而真实的输入-标签映射的准确性影响较小。在上下文学习的过程中，包括了一些实际的演示例子，这些例子成为了提示的一部分。上下文学习与Prompt learning 类似，但是又不完全一样，预训练的大模型不需要进行微调，只需要根据提示，也就是上下文（in-context），就能够完成特定的任务。但是如果将学习新任务的定义更为宽泛，包括对特定输入和标签分布以及示例的格式的适应，以及更准确地进行预测，那么模型确实会从示例中学习到新任务。

ROI Pooling解决的是候选区域大小不一致的问题，ROI Pooling之后，候选区域的大小一致，就可以进行并行的计算，加快速度。有大量的重复计算，非常耗时。

主要内容：Swin Transformer 是在Vit的基础上进行的改进，针对Vit的全局自注意力计算复杂度过大的问题，提出了window的思想，使得自注意力的计算局限在window里面，从而减少复杂度。ROI Pooling解决的是候选区域大小不一致的问题，ROI Pooling之后，候选区域的大小一致，就可以进行并行的计算，加快速度。L1 loss（又称MAE）,平均绝对误差：预测值和真实值之间的误差：sum(|y_pre - y_true|)/n ，用于回归问题。的一维向量，再进行线性映射，得到。

Jupyter中添加虚拟环境步骤： 打开Anaconda Prompt，用conda创建虚拟环境，可指定Python版本： conda create -n myenv python=3.6 2. 进入创建的虚拟环境： activate myenv 3. 安装ipykernel包： pip install --user ipykernel 4. 将虚拟环境加入Jupyter：python -m ipykernel install --user --name=myenv...

我们要和环境互动我们不知道reward和下一个state我们只能根据环境的reward来更新自己的Qtable更新是这样的，我们有很多个回合nEpisodes，每个回合走nSteps步或者到终点为止。根据Q'(s,a) <——Q'(s,a) + alpha(r + gamma maxQ'(s', a) - Q'(s,a))图片里面的a'应该就是a，我查了很多网上的资料，都是这样的。最后代码跑出来也没错。核心代码如下。Q = initialQ.copy()

可以在使用pip的时候加参数-i https://pypi.tuna.tsinghua.edu.cn/simple

Unified identity authentication platform

《动手学深度学习》 — 动手学深度学习 2.0.0-beta0 documentation (d2l.ai)http://zh.d2l.ai/李沐 动手学深度学习 第二版