- 博客(8)
- 收藏
- 关注
RSS订阅原创 AutoDL平台介绍以及其jupyterLab简单使用
本文介绍了AutoDL平台的常用操作指令，主要包括四类：1）环境管理（conda环境创建、激活、删除及包安装）；2）数据集操作（解压、空间查看）；3）训练调度（单卡/多卡训练、后台运行）；4）文件管理（上传下载、压缩解压）。同时提供了系统监控（GPU/CPU/内存查看）、进程管理（终止进程）等实用命令。这些指令覆盖了从环境配置到模型训练的全流程操作，帮助用户高效使用AutoDL平台进行深度学习任务。
2025-09-16 15:47:34
1170
原创 Mamba vs Transformer：架构之争全解析
Mamba与Transformer架构对比分析 本文系统比较了Mamba和Transformer两种架构的核心差异。Transformer基于自注意力机制，擅长全局依赖建模但存在O(N²)复杂度问题；Mamba采用选择性状态空间模型，实现O(N)线性复杂度，适合超长序列处理。Transformer在机器翻译等需要全局上下文的任务中表现优异，而Mamba在基因组分析、实时流数据处理等场景更具优势。文章详细分析了两者在计算效率、建模能力、训练优化等方面的差异，并指出未来可能出现的融合架构趋势。
2025-08-13 12:33:22
2539
原创 深度学习上采样技术全解析
本文综述了图像上采样方法：传统插值（最近邻、双线性、双三次）计算快但易失真；深度学习方法中，反池化保留结构但输出稀疏，转置卷积可学习但易产生棋盘效应，亚像素卷积高效无重叠问题。GAN方法（如SRGAN）能生成逼真细节但训练复杂。多尺度融合（U-Net、金字塔）可增强细节还原。不同方法各有优劣，需根据场景选择：实时渲染用最近邻，通用放大用双线性，超分辨率推荐亚像素卷积或GAN方法，分割任务适合转置卷积。
2025-07-13 20:02:35
1293
原创 深度学习中10大核心“连接“方式解析
摘要：深度学习中的连接方式是神经网络构建的核心，主要用于信息传递、特征融合和梯度传播。常见方式包括：串联（顺序堆叠）、拼接（特征融合）、相加（残差连接）、跳跃连接（保留浅层信息）、密集连接（极端跳跃）、注意力连接（动态加权）、门控连接（信息控制）、特征融合模块（多尺度融合）、混合连接和多路径连接。这些方式各有特点，实际应用中需根据任务需求选择和组合，如医学图像分割推荐拼接+跳跃连接，多尺度融合可用注意力机制。
2025-06-24 10:48:01
1574
原创 深度学习中激活函数的终极指南
摘要： 激活函数的选择需平衡效率、精度与稳定性。SiLU（平滑且自门控）适用于轻量CNN和Transformer；GELU（高斯噪声鲁棒性）适合大语言模型和视觉Transformer；ReLU（高效但可能“死亡”）是CNN经典选择。Sigmoid/Tanh用于概率输出或对称需求，LeakyReLU/PReLU解决死亡神经元问题，Mish在检测任务中表现优异。选择逻辑：速度选ReLU/SiLU，精度选GELU/Mish，稳定选LeakyReLU，解释性选Sigmoid/Tanh。
2025-06-16 09:58:52
801
原创 ubuntu/linux终端解压缩技巧：zip与7za操作指南
摘要：本文介绍在Ubuntu终端中两种压缩工具的使用方法。使用zip工具时，先安装zip包后进入目标目录执行压缩命令；使用7z工具需先安装p7zip-full，7z格式比zip具有更高压缩率。两种方式都支持保留文件名大小写差异，其中7z工具同时支持生成.zip和.7z两种格式的压缩文件。操作步骤均包含工具安装、目录切换和具体压缩和解压命令。
2025-06-10 09:40:07
451
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