- 博客(5)
- 收藏
- 关注
RSS订阅原创 静态路由配置
这主要是因为R1收不到从23.16.9.2返回的包，原因是虽然R1中设置了去往23.16.9.0/24网段的静态路由，但R3中却并未设置发往12.10.2.0/24的静态路由，所以即使R3可以收到从R1中发过来的包，但并不知道该把包返回给谁，导致了丢包，这点可以通过抓包软件来进行验证。23.16.9.0为目的网段，255.255.255.0为子网掩码，而12.10.2.2为下一跳的IP地址，下一跳的IP地址最好要设置为相邻路由器的接口IP，如果设置本路由器的出口IP为下一跳的IP地址也可，但容易造成环路。
2026-11-10 15:45:02
183
原创 eNSP安装教程及各依赖
系统版本：Windows11 家庭版 23H2（OS内部版本22631.5039）不清楚的可以按下win + R键，输入winver即可看到据说24H2以上版本就至少要升级到26100.3624以上才可以，否则会出现不兼容问题。先下载eNSP以及winpacp、VirtualBox、Wireshark。我所使用的版本分别为1. eNSP版本：V1.3.00.1002. winpacp版本：WinPacp_4_1_34. Wireshark版本：3.4.4。
2026-11-05 11:54:07
174
原创 为什么数据增强？
数据增强是提升深度学习模型性能的重要手段，通过在保持数据标签不变的前提下对原始数据施加各种变换（如旋转、翻转、缩放、颜色调整等），增加训练样本的多样性。实验表明，即使在数据量充足（如20,000张图片）的情况下，合理的数据增强（如旋转、高斯模糊、白平衡和加噪）仍能有效提升模型泛化能力，避免过拟合。无论是图像、文本还是语音任务，适当的数据增强都能显著提高模型的鲁棒性和分类效果。
2026-02-09 10:03:23
269
原创 DINOV3微调
先说一下博主目前的一个baseline的结果，此前在使用完整的图像进行分类任务的时候，整体的准确率大约只有71%左右，但后续我发现一张图像中会伴随着多种类别，因而后续根据每种类别进行了裁剪，确保每个数据只有一种类别，经过处理后，整体的Acc大约提升到了76%左右。目前呢，我又在进行损失计算的时候，加入标签平滑参数label_smoothing，并设置为0.1，降低模型对预测结果的一个置信度，虽然过拟合现象相比之前有所缓解，但整体的分类准确率并没有太大提升，仅有0.6%的提升。图1：Loss和Acc曲线图。
2026-01-30 17:16:46
871
2
原创 DINOv3
第二个坑呢则是，官方文档中虽然提到预训练权重可以通过Huaging Face Transformers在线获得，但是目前国内是没有权限的，所以需要先下载预训练的权重，预训练的权重可以通过官方文档中所列出的表格，点击申请，随后会发送到个人邮箱之中。（是担心提供的权重文件并不适配到别的尺寸输入）第二，在分割头的设计上，DINOv3是采用的VIT结构，那么是否分割头采用Transformer结构设计会更优异一些，笔者上述采用的分割头是使用的CNN进行的卷积核上采样（因为确实笔者很少使用transformer）。
2026-01-19 14:44:49
812
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人