本文通过对植物幼苗分类的实际例子来感受一下MicroNet模型的效果。模型来自官方，我自己写了train和test部分。从得分情况来看，这个模型非常的优秀，我选择用的MicroNet-M3模型，大小仅有6M，但是ACC在95%左右，成绩非常惊艳！！！ 通过这篇文章能让你学到： 如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 如何配置MicroNet模型实现训练？ 如何使用pytorch自带混合精度？ 如何使用梯度裁剪防止梯度爆炸？ 如何使用DP多显卡训练？ 如何绘制loss和acc曲线？ 如何生成val的测评报告？ 如何编写测试脚本测试测试集？ 如何使用余弦退火策略调整学习率？ 如何使用AverageMeter类统计ACC和loss等自定义变量？ 如何理解和统计ACC1和ACC5？ 原文链接： https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/125223458?spm=1001.2014.3001.5501

本文通过对植物幼苗分类的实际例子来感受一下超大核的魅力所在。这篇文章能让你学到： 通过对论文的解读，了解RepLKNet超大核的设计思想和架构。 如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 如何调用自定义的模型？ 如何使用混合精度训练？ 如何使用梯度裁剪防止梯度爆炸？ 如何使用DP多显卡训练？ 如何绘制loss和acc曲线？ 如何生成val的测评报告？ 如何编写测试脚本测试测试集？ 如何使用余弦退火策略调整学习率？ 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124959038

本文从实战的角度出发，带领大家感受一下MixNet，我们还是使用以前的植物分类数据集，模型采用mixnet_m。 通过本文你可以学习到： 1、如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 2、如何调用自定义的模型？ 3、如何使用混合精度训练？ 4、如何使用梯度裁剪防止梯度爆炸？ 5、如何使用DP多显卡训练？ 6、如何绘制loss和acc曲线？ 7、如何生成val的测评报告？ 8、如何编写测试脚本测试测试集？ 9、如何使用余弦退火策略调整学习率？ 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124845052

目前，Transformer已经霸榜计算机视觉各种任务，但是缺点也很明显就是参数量太大无法用在移动设备，为了解决这个问题，Apple的科学家们将CNN和VIT的优势结合起来，提出了一个轻量级的视觉网络模型mobileViT。 根据论文中给出的Top-1成绩的对比结果，我们可以得出，xs模型参数量比经典的MobileNetV3小，但是精度却提高了7.4%,标准的S模型比ResNet-101，还高一些，但是参数量也只有ResNet-101的九分之一。这样的成绩可谓逆天了！ 本文从实战的角度出发，带领大家感受一下mobileViT，我们还是使用以前的植物分类数据集，模型采用MobileViT-S。

SWA简单来说就是对训练过程中的多个checkpoints进行平均，以提升模型的泛化性能。记训练过程第i ii个epoch的checkpoint为w i w_{i}w i ​ ，一般情况下我们会选择训练过程中最后的一个epoch的模型w n w_{n}w n ​ 或者在验证集上效果最好的一个模型w i ∗ w^{*}_{i}w i ∗ ​ 作为最终模型。但SWA一般在最后采用较高的固定学习速率或者周期式学习速率额外训练一段时间，取多个checkpoints的平均值。 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124414939

该源代码对应本人博文《zk-SNARKs实战：使用circom和snarkjs实现简单版的Tornado（含源码）》，如要看该文章，可直接在百度中根据题目搜索

本文实现了用deeplabv3对图像做分割，通过本文，你可以学习到： 1、如何使用pytorch自带deeplabv3对图像对二分类的语义分割。pytorch自带的deeplabv3，除了deeplabv3_resnet50,还有deeplabv3_resnet101,deeplabv3_mobilenet_v3_large，大家可以尝试更换模型做测试。 2、如何使用wandb可视化。 3、如何使用交叉熵和dice_loss组合。 4、如何实现二分类语义分割的预测。 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124039170

今天这篇文章讲解如何使用UNet实现图像的二分类分割。 关于二分类一般有两种做法： 第一种输出是单通道，即网络的输出 output 为 [batch_size, 1, height, width] 形状。其中 batch_szie 为批量大小，1 表示输出一个通道，height 和 width 与输入图像的高和宽保持一致。 在训练时，输出通道数是 1，网络得到的 output 包含的数值是任意的数。给定的 target ，是一个单通道标签图，数值只有 0 和 1 这两种。为了让网络输出 output 不断逼近这个标签，首先会让 output 经过一个sigmoid 函数，使其数值归一化到[0, 1]，得到 output1 ，然后让这个 output1 与 target 进行交叉熵计算，得到损失值，反向传播更新网络权重。最终，网络经过学习，会使得 output1 逼近target。 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/123987321?spm=1001.2014.3001.5501

C#开发Android应用实战——使用Mono for Android和.NET/C# 全面透彻地讲解Android应用编程知识，分析如何结合使用C#和Mono来编写在Android设备系列上运行的应用程序。在这本由多位专家联袂撰写的必备精品书籍的指引下，您不必学习其他编程语言，就可以成为一名成功的Android应用程序开发人员。您将深入理解屏幕控件、UI开发、表、布局和MonoDevelop等知识点，并驾轻就熟地使用Mono for Android来规划、构建和开发Android应用程序。 主要内容 ◆ 介绍如何使用您已经掌握的C# 和.NET技术来构建Android app

Unity5（使用C#和Unity开发多平台游戏）官方源码 。 按照书上的二维码来下载真的时超级麻烦，现在提供出来，仅供各位下载。