- 博客(18)
- 收藏
- 关注
RSS订阅原创 卫星姿态描述基础知识学习记录(部分)
相对姿态(坐标系旋转)的描述：假设目标的坐标系为B,参考坐标系为R，对目标的姿态描述即确定目标坐标系与参考坐标系的关系。由于目标坐标系一般固结在目标上，这样便实现了目标的相对姿态描述。描述方式主要有：方向余弦式、欧拉轴/角式、欧拉角式、姿态四元数；由于姿态可唯一确定，这些描述方式间可相互转换。
2025-05-27 16:30:50
1231
原创 小白的LLM学习记录(一)
检索+增强+生成——即LLM+Search system用户提出问题后先进入一个数据库的检索环节，再生成prompt提示词，进入LLM，然后由LLM生成回答，具体的流程如下图：主要涉及的技术内容不包括大模型LLM本身结构的修改，而是直接在前面构架一个检索框架。这个检索框架的知识库一般是文件或者文档资料，构建为向量数据库存储，索引构建是重要环节。主要的技术步骤包括：文件加载load；文本切片。
2025-05-13 14:17:49
250
原创 YOLOv8怎么添加自己的模块(自用)
default.yaml为默认配置文件，里面包含训练、验证、推理时的一些默认参数，以及数据增强等。model.load('yolov8n.pt')#权重加载。完成后最好在相应的定义py文件中设置测试，检查能否成功调用。调用位置：parse_model部分。cfg下即模型和数据集配置文件。最主要的为nn子文件夹。
2024-12-23 11:45:23
1208
原创 2024pycharm连接SSH远程记录使用conda虚拟环境
选conda虚拟环境，找到condabin下的conda可执行文件(地址在cmd命令下which conda得到)2.远程连接站点，端口，用户名，密码输入(连接后，后续就不用输入直接选择exist下的即可)ssh -p (端口号位置) (用户名位置)@(接入网址)，按照下图位置填写即可。输入which conda 命令查看conda所在位置，记住一会要用。ssh -p (端口号位置) (用户名位置)@(接入网址)输入密码(密码就是不显示，输入回车就行)下面配置文件映射：参考链接3视频。
2024-10-12 21:32:43
1057
原创 模型的计算速度、参数、计算量、访存量
根据算子在执行过程中对计算资源的需求，可以将它们大致分为两类：计算密集型算子和访存密集型算子。- **定义**：计算密集型算子是指在执行过程中，计算操作占主导地位的算子。- **定义**：访存密集型算子是指在执行过程中，内存访问操作占主导地位的算子。- 对于访存密集型算子，可以通过优化内存访问模式、使用更快的内存（如HBM）或者采用数据并行化技术来减少内存访问的延迟。- 对于计算密集型算子，可以通过使用高性能的计算单元（如GPU、TPU）来加速计算。- 计算量较大，对处理器的计算能力要求较高。
2024-10-09 21:01:02
421
原创 WSL2安装ubuntu记录Win11
检查安装是否成功: cat /usr/local/cuda-12.1/include/cudnn_version.h | grep CUDNN_MAJOR -A 2。之后进入lib文件：cd cudnn-linux-x86_64-8.9.4.25_cuda12-archive/4.输入wsl.exe --install Ubuntu-22.04（上面的可安装版，打开powershell，输入wsl -l -v可查看运行的ubuntu。用键盘的到图示位置，将下属命令复制(注意版本问题，这里是12.1)
2024-10-02 19:22:14
1668
原创 模型计算量和参数大小的计算、访存量(自用)链接转载
CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？ - 知乎 (zhihu.com)轻量化网络（一）一文讲清神经网络中的 显存/显卡带宽/参数量/计算单元/FLOP/FLOPs/MAC/MACs/QPS - 知乎 (zhihu.com)深度学习模型大小与模型推理速度的探讨 - 知乎 (zhihu.com)全连接层的算力（矩阵乘法）计算方式_全连接层计算公式-CSDN博客模型(卷积、fc、attention)计算量 MAC/FLOPs 的手动统计方法 - 知乎 (zhihu
2024-09-27 18:52:47
265
原创 YOLOv5复现步骤及cmd命令(自用)
1）激活刚才创建的环境：conda activate yolo；2）下载依赖包：pip install -r requirements.txt (一般都得用镜像源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)可以conda list查看环境下的下载列表。查看当前环境下的list: 1）激活当前环境 conda activate yolo（yolo为自己起的环境名字） 2) conda list。
2024-09-08 19:02:12
1215
原创 神经网络与深度学习课程总结(四)——目标检测与语义分割
以往的模型一个窗口只能预测一个目标，把窗口输入到分类网络中，最终得到一个预测概率，这个概率偏向哪个类别则把窗口内的目标预测为相应的类别”本质即在图像上预设好的不同大小，不同长宽比的参照框。输入图片输出为目标类别和目标的边界框——(c,x,y,w,h)5维的向量，c为有无目标的置信度。个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体，那么所有整个ground truth的长度为𝑆 × 𝑆 × (𝐵 × 5 + 𝐶),YOLO v1中，输出数量是30，YOLO v2和以后版本使用了自聚类的。
2024-04-25 11:53:10
2237
1
原创 神经网络与深度学习课程总结(三)——卷积神经网络2
这个阈值是随便定义的，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历0到1之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了这条曲线。VGG实现了更深层次的卷积网络结构，是否网络深度越深越好呢，事实是当到达一定深度时，随着网络层数的增加模型的性能不增反降，网络的深度受限，残差网络的提出，有效的解决这一问题。下图1为二分类的混淆矩阵，对于多分类是形如下图2的多行多列的矩形块，对角线上的数字表示正确分类的结果，因此当数据全部分布在对角线上时说明分类完全正确(过于理想化的)
2024-04-17 21:35:33
1908
2
原创 论文阅读记录 Attention Is All You Need——Transformer
Transformer is the first transduction model relying entirely on self-attention to compute representations of its input and output without using sequencealigned RNNs or convolution.transformer是首个完全依赖于注意力机制模型，能有效实现数据的并行处理。
2024-04-12 17:05:46
774
1
原创 神经网络与深度学习课程总结(二)——卷积神经网络
这16个卷积核分别是下图中的3，4，6通道的卷积核，输出图像的大小为10*10*16.训练的参数有6*[5*5*3+1]+9*[5*5*4+1]+1*[5*5*6+1]=1516;第二层S2：池化层2*2步长2，下采样，输入28*28*6输出为14*14*6;14*14*6*(2*2+1)=5880个连接。第四层S4：同S2操作，池化层2*2步长2，输入为10*10*16，输出为(10-2+2)/2=5*5*16,参数为16*2=32个，连接为5*5*16*(2*2+1)=2000。
2024-04-03 21:38:56
2018
1
原创 个人论文阅读记录2
Fb()是权重分配网络用于给Fa(Fa()是卷积网络，跟着的小波变换用于将高频噪声滤除)，和Fc(小波卷积神经网络，对高频和低频即全频段特征提取)分配权重。A、B、C注意力模块的结构如下图：参考SE，squeeze-and-excitation networks，即将特征图拉直为1x1xC(C为通道数)特征向量再对每个通道分配权重(文章选择用的为可变形的卷积网络(deformable convolution)，这里采用了三种不同大小的卷积核，每一个卷积后面使用不同的注意力模块A、B、C.
2024-03-26 16:48:08
647
1
原创 个人论文阅读记录
论文将意图识别定义为轨道识别问题，根据论文中设定的情景，即考察单个参考航天器S和非合作的非合作体G在无外界控制指令期间(文中描述为两次脉冲控制的间隔内，且S,G均没有轨道机动)，仅在轨道动力学作用下的相对位置关系；论文中总结了10种G相对S的运动构型，数据集由随机参数设定的这10种轨道构型的数据组成，最终的意图识别模型即实现10种构型的聚类(应该不是文中的classification，而是clustering，没有看到标签化处理数据，不过确实应该是无监督学习)。这里不太理解，为什么文中提及的方法可以。
2024-03-20 22:18:32
815
1
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