- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法工程师的学习日志
Python基础训练100题-11
分享一些Python学习题目 实例051：按位与 实例052：按位或 实例053：按位异或 实例054：位取反、位移动 实例055：按位取反 实例051：按位与 题目：学习使用按位与 & 。 程序分析：0&0=0; 0&1=0; 1&0=0; 1&1=1。 a=0o77 print(a) b=a&3 print(b) b=b&7 print(b) 实例052：按位或 题目：学习使用按位或 | 。 程序分析：0|0=0; 0|1=1; 1|0=1; 1|1=1 a=0o77 print(a|3) print(
30120编辑于 2022-07-27 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 1.1.保存训练日志。 训练日志就是训练的时候输出的那一大堆东西，要总结实验结果，可视化训练日志的关键参数是一个很有效的方式，所以我们来做这个东西。 解析训练日志。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing ，早起已经9点过半，看了训练日志大概loss稳定到0.02左右就不再下降了，于是停止训练了。
2.4K30发布于 2018-12-19 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-11 打折
7-11 打折 去商场淘打折商品时，计算打折以后的价钱是件颇费脑子的事情。例如原价 ￥988，标明打 7 折，则折扣价应该是 ￥988 x 70% = ￥691.60。
99020发布于 2020-06-23 - 来自专栏新智元
【11分钟训练完ImageNet】DNN训练再破纪录，1024 CPU Caffe开源
现在，他们继续推进，使用1024个CPU，在11分钟内训练完AlexNet，48分钟训练完ResNet-50。研究人员表示，源代码不久后将在Intel Caffe发布。 先来看论文摘要： ? 在本文中，我们介绍了这次调查的结果：使用LARS，我们能够在11分钟内有效利用1024个CPU训练完AlexNe（ImageNet，100-epoch），并在48分钟内训练完ResNet-50（ImageNet 更进一步：11分钟训练完AlexNet，48分钟训练完ResNet-50 继这项工作之后，很自然地，伯克利、TACC和UC戴维斯的这些研究人员希望弄清，LARS算法是否可以用来进一步扩大DNN训练中有效使用的处理器的数量 于是这一次，他们使用CPU（总共1024个Intel Skylake），11分钟训练完AlexNet（ImageNet，100-epoch），48分钟训练完ResNet-50（ImageNet，90-epoch 11分钟完成。精度与基准相当。 ? 下图则是训练ResNet-50的结果，使用了数据增强，方法与Facebook（He等，2016年）一样。48分钟完成。精度与基准相当。 ?
1.8K110发布于 2018-03-21 - 来自专栏my博客
《Aidlux11月AI实战训练营》作业心得
1 训练营课程链接实战训练营的课程：https://mp.weixin.qq.com/s/3WrTMItNAGt8l2kjjf042w。2. resnet50_ANT_best_albation1_64_checkpoint.pth') #pth_path = os.path.join("/Users/rocky/Desktop/训练营
38900编辑于 2022-12-06 - 来自专栏罗西的思考
深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案
[源码解析] 深度学习分布式训练框架 horovod (11) --- on spark --- GLOO 方案 目录 [源码解析] 深度学习分布式训练框架 horovod (11) --- on spark 本系列其他文章如下： [源码解析] 深度学习分布式训练框架 Horovod (1) --- 基础知识 [源码解析] 深度学习分布式训练框架 horovod (2) --- 从使用者角度切入 [源码解析] 深度学习分布式训练框架 horovod (3) --- Horovodrun背后做了什么 [源码解析] 深度学习分布式训练框架 horovod (4) --- 网络基础 & Driver [源码解析] 深度学习分布式训练框架 horovod (5) --- 融合框架 [源码解析] 深度学习分布式训练框架 horovod (6) --- 后台线程架构 [源码解析] 深度学习分布式训练框架 horovod (7) --- DistributedOptimizer [源码解析] 深度学习分布式训练框架 horovod (8) --- on spark [源码解析] 深度学习分布式训练框架 horovod
98530发布于 2021-07-13 - 来自专栏量子位
PyTorch 1.7发布：支持CUDA 11、Windows分布式训练
木易 发自 凹非寺 量子位 报道 | 公众号 QbitAI 自从7月份CUDA 11发布以来，就陆陆续续听到了网友类似的吐槽： 这正说着，10月27日，PyTorch团队发布了PyTorch 1.7 ，终于能支持CUDA 11了，可喜可贺（狗头）。 此外，分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练也有了重大的更新，在Windows平台上的分布式训练提供支持。 分布式训练&RPC 分布式训练和RPC有着最多的更新数目——7项，这其中有1项稳定版、5项测试版及1项原型版。 pytorch/releases https://www.reddit.com/r/MachineLearning/comments/jj4sr7/d_pytorch_17_released_w_cuda_11
1.1K20编辑于 2023-03-10 - 来自专栏机器之心
最强NLP预训练模型！谷歌BERT横扫11项NLP任务记录
BERT 是首个在大批句子层面和 token 层面任务中取得当前最优性能的基于微调的表征模型，其性能超越许多使用任务特定架构的系统，刷新了 11 项 NLP 任务的当前最优性能记录。 这篇刷新了 11 项 NLP 任务的论文不久之前已经上线，让我们一睹为快： 研究证明语言模型预训练可以有效改进许多自然语言处理任务，包括自然语言推断、复述（paraphrasing）等句子层面的任务，以及命名实体识别 BERT 刷新了 11 项 NLP 任务的当前最优性能记录。本论文还报告了 BERT 的模型简化测试（ablation study），证明该模型的双向特性是最重要的一项新贡献。 它刷新了 11 个 NLP 任务的当前最优结果，包括将 GLUE 基准提升至 80.4%（7.6% 的绝对改进）、将 MultiNLI 的准确率提高到 86.7%（5.6% 的绝对改进），以及将 SQuAD 实验 这部分，我们将展示 BERT 在 11 个 NLP 任务上的微调结果。 ? 图 3：我们的任务特定模型是由向 BERT 添加了一个额外的输出层而形成的，因此一小部分参数需要从头开始学习。
1.6K40发布于 2018-10-22 - 来自专栏YOLO大作战
YOLO11-seg分割如何训练自己的数据集（道路缺陷）
本文内容：如何用自己的数据集（道路缺陷）训练yolo11-seg模型以及训练结果可视化； 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建 YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 该数据集包括训练、测试和验证集,有助于精确的裂缝检测和分割。 训练集3712张，验证集200张，测试集112张 标签可视化： 3.如何训练YOLO11-seg模型3.1 修改 crack-seg.yaml# Ultralytics YOLO , AGPL-3.0 imagestest: test/images # test images (relative to 'path') 200 images# Classesnames: 0: crack3.2 如何开启训练
2.4K10编辑于 2024-10-21 - 来自专栏机器学习算法与Python学习
PyTorch 1.7发布，支持CUDA 11、Windows分布式训练
该版本增添了很多新特性，如支持 CUDA 11、Windows 分布式训练、增加了支持快速傅里叶变换（FFT）的新型 API 等。 ? PyTorch 1.7 版本包含很多新的 API，如支持 NumPy 兼容的 FFT 操作、性能分析工具，以及对基于分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练的重要更新。 测试版）通过 torch.fft 支持 NumPy 兼容的 FFT 操作； （原型版）支持英伟达 A100 GPU 和原生 TF32 格式； （原型版）支持 Windows 系统上的分布式训练。 开发者对 PyTorch 1.7 的态度 有开发者对 PyTorch 1.7「支持 Windows 上的分布式训练」这一新功能表示赞赏： ? 以及乐见于「PyTorch 对 CUDA 11 的支持」： ? 依然有人趁机表白 PyTorch，并列出偏好 PyTorch 的原因，如报错易读、代码直观、易于实验。 ?
90610发布于 2020-11-03 - 来自专栏进击的Coder
最强 NLP 预训练模型！谷歌 BERT 横扫 11 项 NLP 任务记录！
BERT 是首个在大批句子层面和 token 层面任务中取得当前最优性能的基于微调的表征模型，其性能超越许多使用任务特定架构的系统，刷新了 11 项 NLP 任务的当前最优性能记录。 这篇刷新了 11 项 NLP 任务的论文不久之前已经上线，让我们一睹为快： 研究证明语言模型预训练可以有效改进许多自然语言处理任务，包括自然语言推断、复述（paraphrasing）等句子层面的任务， BERT 刷新了 11 项 NLP 任务的当前最优性能记录。本论文还报告了 BERT 的模型简化测试（ablation study），证明该模型的双向特性是最重要的一项新贡献。 它刷新了 11 个 NLP 任务的当前最优结果，包括将 GLUE 基准提升至 80.4%（7.6% 的绝对改进）、将 MultiNLI 的准确率提高到 86.7%（5.6% 的绝对改进），以及将 SQuAD 实验 这部分，我们将展示 BERT 在 11 个 NLP 任务上的微调结果。 ? 图 3：我们的任务特定模型是由向 BERT 添加了一个额外的输出层而形成的，因此一小部分参数需要从头开始学习。
1.1K20发布于 2018-10-23 - 来自专栏机器之心
PyTorch 1.7发布，支持CUDA 11、Windows分布式训练
该版本增添了很多新特性，如支持 CUDA 11、Windows 分布式训练、增加了支持快速傅里叶变换（FFT）的新型 API 等。 ? PyTorch 1.7 版本包含很多新的 API，如支持 NumPy 兼容的 FFT 操作、性能分析工具，以及对基于分布式数据并行（DDP）和基于远程过程调用（RPC）的分布式训练的重要更新。 测试版）通过 torch.fft 支持 NumPy 兼容的 FFT 操作； （原型版）支持英伟达 A100 GPU 和原生 TF32 格式； （原型版）支持 Windows 系统上的分布式训练。 开发者对 PyTorch 1.7 的态度 有开发者对 PyTorch 1.7「支持 Windows 上的分布式训练」这一新功能表示赞赏： ? 以及乐见于「PyTorch 对 CUDA 11 的支持」： ? 依然有人趁机表白 PyTorch，并列出偏好 PyTorch 的原因，如报错易读、代码直观、易于实验。 ?
99730发布于 2020-11-04 - 来自专栏C / C++
【C语言16天强化训练】从基础入门到进阶：Day 11
】，之前博主更新过一个【C语言刷题12天IO强训】的专栏，那个只是从入门到进阶的IO模式真题的训练。 【C语言16天强化训练】既有IO型，也有接口型。和前面一样，今天依然是训练五道选择题和两道编程算法题，希望大家能够有所收获！ 往期回顾： 【C语言16天强化训练】从基础入门到进阶：Day 10 【C语言16天强化训练】从基础入门到进阶：Day 9 【C语言16天强化训练】从基础入门到进阶：Day 8 【C语言16天强化训练】从基础入门到进阶 ：Day 7 【C语言16天强化训练】从基础入门到进阶：Day 6 【C语言16天强化训练】从基础入门到进阶：Day 5 【C语言16天强化训练】从基础入门到进阶：Day 4 【C语言16天强化训练】从基础入门到进阶 ：Day 3 【C语言16天强化训练】从基础入门到进阶：Day 2 【C语言16天强化训练】从基础入门到进阶：Day 1 结语：感谢大家的阅读，记得给博主“一键四连”，感谢友友们的支持和鼓励！
21410编辑于 2025-11-13 基于yolov11改进检测头引入DynamicHead的python源码+训练源码
基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。 针对效率和速度进行优化：YOLO11 引入了精致的架构设计和优化的训练管道，提供更快的处理速度并保持准确性和性能之间的最佳平衡。 】 问：为什么我训练的模型epoch显示的map都是0或者map精度很低? 回答：由于源码改进过，因此不能直接从官方模型微调，而是从头训练，这样学习特征能力会很弱，需要训练很多epoch才能出现效果。 因为改进框架，实际是一种比较复杂流程，包括框架原理可行性，训练数据集是否合适，训练需要反正验证以及同类框架训练结果参数比较，这个是十分复杂且漫长的过程。
1.8K10编辑于 2025-07-22- 来自专栏YOLO大作战
YOLO11教程：如何训练 | 验证 | 测试 自己的数据集源码分享
本文内容：如何训练 | 验证 | 测试 自己的数据集 1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进 YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 实现代码ultralytics/nn/modules/block.py1.3 11 Detect介绍分类检测头引入了DWConv（更加轻量级，为后续二次创新提供了改进点），结构图如下（和V8的区别）：实现代码 ultralytics/nn/modules/head.py 如何训练模型import warningswarnings.filterwarnings('ignore')from ultralytics import YOLOif __name__ == '__main__': model = YOLO('ultralytics/cfg/models/11/yolo11.yaml') #model.load
9.5K11编辑于 2024-10-30 - 来自专栏PyVision
支持CUDA 11，Windows 分布式训练，以及FFT新API
其中的一些亮点包括: 正式支持 CUDA 11 ，二进制文件可在 PyTorch.org 下载 在 autograd 分析器中更新和添加 RPC、 TorchScript 和 Stack traces 进行训练的模型结合使用。 在不同的进程之间使用不均匀的数据集大小来训练。这个特性在使用 DDP 时提供了更大的灵活性，并且避免了用户不得不手动确保不同进程的数据集大小是相同的。 使用这个上下文管理器，DDP 将自动处理不均匀的数据集大小，这可以防止错误或在训练结束时挂起。 当与 torchelastic(可以从最后一个检查点恢复训练过程)之类的东西一起使用时，用户可以有更高的可靠性进行分布式训练。
1.4K32发布于 2020-10-30 - 来自专栏YOLO大作战
YOLO11-seg分割：如何训练自己的数据集：包裹分割数据集
【前沿论文分享】【训练实战篇】【pose关键点检测】【yolo11-seg分割】为本专栏订阅者提供创新点改进代码，改进网络结构图，方便paper写作！！！ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️1.YOLO11介绍Ultralytics YOLO11是一款尖端的、最先进的模型 YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。 该数据集包含了一系列展示不同背景和环境下各种包裹的多样化图片，是训练和评估分割模型的宝贵资源。 标签可视化： 3.如何训练YOLO11-seg模型3.1 修改 package-seg.yaml# Ultralytics YOLO , AGPL-3.0 license# Package-seg dataset
2.5K20编辑于 2024-12-14 基于yolov11引入动态卷积DynamicConv的python源码+训练源码
基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。 针对效率和速度进行优化：YOLO11 引入了精致的架构设计和优化的训练管道，提供更快的处理速度并保持准确性和性能之间的最佳平衡。 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install 回答：由于源码改进过，因此不能直接从官方模型微调，而是从头训练，这样学习特征能力会很弱，需要训练很多epoch才能出现效果。 因为改进框架，实际是一种比较复杂流程，包括框架原理可行性，训练数据集是否合适，训练需要反正验证以及同类框架训练结果参数比较，这个是十分复杂且漫长的过程。
67510编辑于 2025-07-18基于yolov11使用大卷积核UniRepLKNet替换backbone的python源码+训练源码
基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。 针对效率和速度进行优化：YOLO11 引入了精致的架构设计和优化的训练管道，提供更快的处理速度并保持准确性和性能之间的最佳平衡。 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install 回答：由于源码改进过，因此不能直接从官方模型微调，而是从头训练，这样学习特征能力会很弱，需要训练很多epoch才能出现效果。 因为改进框架，实际是一种比较复杂流程，包括框架原理可行性，训练数据集是否合适，训练需要反正验证以及同类框架训练结果参数比较，这个是十分复杂且漫长的过程。
47510编辑于 2025-07-22基于yolov11引入分布移位卷积DSConv的python源码+训练源码
基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。 针对效率和速度进行优化：YOLO11 引入了精致的架构设计和优化的训练管道，提供更快的处理速度并保持准确性和性能之间的最佳平衡。 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install 回答：由于源码改进过，因此不能直接从官方模型微调，而是从头训练，这样学习特征能力会很弱，需要训练很多epoch才能出现效果。 因为改进框架，实际是一种比较复杂流程，包括框架原理可行性，训练数据集是否合适，训练需要反正验证以及同类框架训练结果参数比较，这个是十分复杂且漫长的过程。
37910编辑于 2025-07-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号