专注人工智能，主攻CV

随着人工智能芯片的发展，神经网络推理速度的瓶颈不再是FLOPs或参数量，因为现代GPU可以很容易地进行计算能力较强的并行计算。相比之下，神经网络复杂的设计和较大的深度阻碍了它们的速度。在此背景下，华为诺亚提出了极简网络架构VanillaNet，在ImageNet数据集上，深度为6的网络即可取得76.36%的精度，深度达到13时便能取得83.1%的精度！如果能够将深度训练和重参数化合理地结合起来，就是模型压缩利器，大有文章可做，挖个坑~

普通卷积不能显式地提取图像的梯度信息，因此不能较好地描述细粒度的纹理信息，在人脸活体检测、边缘检测等对细粒度纹理信息敏感的任务中难以取得理想的结果。针对上述问题，Oulu大学的研究者们提出了一系列差分卷积，在人脸活体检测和边缘检测等任务中取得了很好的效果。

一方面，大量研究表明，多分支网络架构的性能普遍优于单分支架构；另一方面，相比多分支架构，单分支架构更有利于部署。那么有没有可能训练时采用多分支架构，而推理时使用单分支呢？私以为，Re-parameterization is All You Need！！！

总结轻量级网络设计思想

论文：论文：论文：X∈RH′×W′×C′U∈RH×W×CU∈RH×W×CUU^U∈RH×W×CS∈RCZ∈RdZA∈RC×dB∈RC×da∈RCb∈RCabUU^ab1UU。

Ubuntu22.04安装CUDA和cuDNN详细过程记录

简单快速地搭建深度学习环境

CNN中的特征图可视化大体可分为两类：第一类方法只显示了在深层特征中保留了哪些信息，而没有突出显示这些信息的相对重要性。第二类方法则具有一定的解释性，例如在分类任务中，通过CAM能够解释模型究竟是通过重点学习哪些信息来判断类别的。.......................................

强化学习--策略梯度（Policy G）