模型部署系列（零）前置环境
在这篇文章中我们会安装一些后续可能用到的工具。 CUDA CUDA（Compute Unified Device Architecture，统一计算架构）是 NVIDIA 推出的一种并行计算平台和编程模型，用于利用 NVIDIA GPU（图形处理单元）进行高性能计算。CUDA 允许开发者使用标准的编
动手学ROS2 （9.4）Gazebo仿真插件之两轮差速
小鱼又来了，完成了上节课的Gazebo加载FishBot，但是机器人还是不会动，你一定很不开心吧，本节课小鱼就带你一起通过配置两轮差速控制插件，让我们的机器人动起来~ 最终效果： Gazebo插件介绍 之前小鱼说过Gazebo是一个独立于ROS的软件，对外提供了丰富的API可以使用，gazebo的插
Kaggle竞赛动手系列（一）Forecasting Sticker Sales
Forecasting Sticker Sales | Kaggle 下载并读取数据 在data栏下载所有数据上传到Jupyter中，接下来我们开始读取数据 # 读取CSV文件
df_train = pd.read_csv('./data/train.csv')
df_test = pd
Windows Conda 安装Pytorch的小坑
有很长一段时间没有在Windows上配置过环境了，之前没有记录，导致这次配置时出了点小问题。 安装Pytorch 注意安装Pytorch如果是gpu版本不要使用pip清华源，清华源只有cpu版本 PyTorch 笔者使用官网的conda安装方式： conda install pytorch torc
Syncthing—在Linux和Windows之间同步数据
事情的起因是这样的：我在进行机器学习的学习中，前半段时间都是在我的迷你主机（Ubuntu 22.04）上使用jupyter进行实验，但是到了深度学习时，一些简单模型的训练，迷你主机尚能支持，更复杂的模型我只能在我的主力机（WIndows）上进行训练，因此我需要同步jupyter的数据。于是便接触到了
动手学深度学习v2（7.7）稠密连接网络（DenseNet）
ResNet极大地改变了如何参数化深层网络中函数的观点。 稠密连接网络（DenseNet） (Huang et al., 2017)在某种程度上是ResNet的逻辑扩展。让我们先从数学上了解一下
动手学深度学习v2（7.6）残差网络（ResNet）
随着我们设计越来越深的网络，深刻理解“新添加的层如何提升神经网络的性能”变得至关重要。更重要的是设计网络的能力，在这种网络中，添加层会使网络更具表现力， 为了取得质的突破，我们需要一些数学基础知识。 函数类 因此，只有当较复杂的函数类包含较小的函数类时，我们才能确保提高它们的性能。 对于深度神经网络
动手学深度学习v2（7.5）批量规范化
批量归一化（Batch Normalization, BN）-跟李沐老师动手学深度学习_哔哩哔哩_bilibili 训练深层神经网络是十分困难的，特别是在较短的时间内使他们收敛更加棘手。 本节将介绍批量规范化（batch normalization） (
动手学深度学习v2（7.4）含并行连结的网络（GoogLeNet）
在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet (Szegedy et al., 2015)的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想，并
动手学深度学习v2（7.3）网络中的网络NiN
LeNet、AlexNet和VGG都有一个共同的设计模式：通过一系列的卷积层与汇聚层来提取空间结构特征；然后通过全连接层对特征的表征进行处理。 AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。 或者，可以想象在这个过程的早期使用全连接层。然而，如果使用了全连接层，可能会完全