大牙的2024年创作总结
文章目录
- 一、自动驾驶通讯协议的学习心得
- 二、PyTorch框架应用的心得体会
- 三、大规模语言模型(LLM)的研究心得
- 四、神经网络架构与实战经验
- 五、我的年度文章
- 六、未来展望与个人成长
引言
2024年是我个人在深度学习和自动驾驶领域不断探索、实践并取得显著进步的一年。这一年,我不仅深入研究了多种前沿技术,还在实际项目中积累了宝贵的经验,也非常荣幸地获得了CSDN博客专家的认证。
没错,累计收益0哈~
我想在此分享下我的心得与感悟,探讨如何在快速发展的技术环境中保持创新,并实现个人与职业的成长。
一、自动驾驶通讯协议的学习心得
今年,我结合工作实际创作了数篇自动驾驶汽车相关的嵌入式知识总结文章,尤其是RGMII(Reduced Gigabit Media Independent Interface)、I2C(Inter-Integrated Circuit)以及GMSL(Gigabit Multimedia Serial Link)。这些协议对于确保车载电子设备之间的高效数据传输至关重要。
这些总结不仅帮助我更好地理解了现有技术的优势,也为未来可能的技术改进提供了方向。例如,在设计新的自动驾驶平台时,我会优先考虑采用能够满足高带宽需求且具备良好兼容性的通讯方案。
二、PyTorch框架应用的心得体会
作为日常工作最常用的深度学习框架之一,PyTorch给我带来了极大的灵活性和便利性。特别是在模型构建和训练过程中,以下几点让我印象深刻:
- 参数初始化的重要性:通过合理的参数初始化策略,可以有效避免梯度消失或爆炸问题,从而加快收敛速度并提高最终模型性能。
- 模块化编程的优势:
nn.ModuleList
和nn.ParameterList
模块允许我们灵活地创建动态网络结构,这对于我们处理不同规模的数据集非常有用。 - 模型部署的挑战与解决之道:从实验环境到生产环境的迁移并非易事,需要考虑硬件资源限制、推理效率优化等多个因素。为此,我学会了如何利用量化、剪枝等压缩技术来降低模型计算成本而不影响其准确性。
这些经验不仅提升了我对PyTorch的理解,也增强了我在实际项目中的动手能力。每当遇到新的问题时,总能从过往的学习中找到灵感和解决方案。
三、大规模语言模型(LLM)的研究心得
今年参加了LLM的线下培训课,自然语言处理领域的快速发展促使我去深入了解大规模语言模型。在这个过程中,我学到了许多有价值的知识和技术:
- 分布式训练的力量:面对庞大的参数量,单机训练往往难以胜任。借助分布式计算框架,我们可以大幅缩短训练时间,同时保证模型质量不受影响。
- 微调的艺术:预训练模型虽然强大,但直接应用于特定任务时效果未必理想。通过适当的微调方法,如LoRA(Low-Rank Adaptation),可以在不改变原有架构的前提下,使模型更好地适应新场景。
- 模型压缩的意义:为了让更多人受益于先进的AI技术,我们必须关注模型的轻量化。量化、剪枝、蒸馏等压缩手段不仅可以减少计算资源消耗,还能促进模型在移动设备上的广泛应用。
通过对LLM的持续研究,我意识到它不仅是学术界的研究热点,更是推动各行各业智能化转型的关键力量。未来,我将继续探索这一领域,争取为更多应用场景提供支持。
四、神经网络架构与实战经验
除了上述内容外,我还特别关注了一些先进的神经网络架构和技术,比如多头注意力机制和变分自动编码器(VAE)。它们在处理复杂数据时展现出独特的优势,让我受益匪浅:
- 注意力机制的魅力:多头注意力机制能够捕捉输入序列中的长距离依赖关系,极大地改善了自然语言处理任务的表现。通过亲手实现相关算法,我对这一技术有了更直观的认识。
- 生成模型的应用潜力:VAE作为一种生成对抗网络(GAN)之外的选择,在图像生成、异常检测等领域表现出色。
这些经历不仅加深了我对理论知识的理解,更为我今后的研究指明了方向。每当面临新的挑战时,总是可以从这些先进架构中获得启发。
五、我的年度文章
在和众多博主评比年度博客之星的同时,我也想选一篇我自认为写的最好的《年度文章》,我觉得它当之无愧应该是【PyTorch实战演练】使用CelebA数据集训练DCGAN(深度卷积生成对抗网络)并生成人脸(附完整代码)
因为能从零(当然基本的PyTorch库还是要用的)搭建出自己的模型,训练它能完成一项任务,真的非常非常有成就感!而且也能切实感受到模型学习的过程,加深了对深度学习的理解。
六、未来展望与个人成长
回顾2024年的历程,我深刻体会到技术发展日新月异,唯有不断学习才能跟上时代的步伐。这一年里,我不仅掌握了更多专业知识,更重要的是培养了解决实际问题的能力。无论是面对复杂的自动驾驶系统还是庞大的语言模型,都能够从容应对。
展望未来,我希望继续深耕于深度学习和自动驾驶领域,积极参与跨学科的合作,力求在更多方面取得突破。与此同时,我也期待通过博客这个平台,与更多志同道合的朋友交流互动。
结语
2024年是一段充满收获与成长的旅程。感谢每一位支持我的读者,是你们的关注和支持让我有了前进的动力。新的一年里,让我们继续携手共进,探索未知的世界!
大家春节快乐~~~~~
相关文章:

大牙的2024年创作总结
文章目录 一、自动驾驶通讯协议的学习心得二、PyTorch框架应用的心得体会三、大规模语言模型(LLM)的研究心得四、神经网络架构与实战经验五、我的年度文章六、未来展望与个人成长 引言 2024年是我个人在深度学习和自动驾驶领域不断探索、实践并取得显著…...
AI软件栈:中间表示
概念 编译器通常可以分为前端、优化器和后端三个部分中间表示属于变异过程中表达源程序的方法,作为单独的表示语言。将不同的前端语言(例如C、python、Java等)描述转换为中间表示。优化器对中间表示进行转换和优化,输出新的中间表示。后端将优化后的中间表示转换为特定硬件…...
【PowerQuery专栏】PowerQuery的M语言函数Access数据库访问
Access是相对比较小型的文件型数据库,PowerQuery 进行Access数据库解析非常简单,直接使用Access.Database的函数可以实现数据库访问,函数包含如下参数,函数结果为Table表类型。 Access.Database(参数1 as binary,参数2 as record) as Table 参数1为数据库,数据类型为二进…...

C# OpenCvSharp 部署文档矫正,包括文档扭曲/模糊/阴影等情况
目录 说明 效果 模型 项目 代码 下载 参考 C# OpenCvSharp 部署文档矫正,包括文档扭曲/模糊/阴影等情况 说明 地址:https://github.com/RapidAI/RapidUnDistort 修正文档扭曲/模糊/阴影等情况,使用onnx模型简单轻量部署,…...

go读取excel游戏配置
1.背景 游戏服务器,配置数据一般采用csv/excel来作为载体,这种方式,策划同学配置方便,服务器解析也方便。在jforgame框架里,我们使用以下的excel配置格式。 然后可以非常方便的进行数据检索,例如ÿ…...
特殊类设计
[本节目标] 掌握常见特殊类的设计方式 1.请设计一个类,不能被拷贝 拷贝只会放生在两个场景中:拷贝构造函数以及赋值运算符重载,因此想要让一个类禁止拷贝,只需让该类不能调用拷贝构造函数以及赋值运算符重载即可。 C98 将拷贝构…...

图像去雾数据集的下载和预处理操作
前言 目前,因为要做对比实验,收集了一下去雾数据集,并且建立了一个数据集的预处理工程。 这是以前我写的一个小仓库,我决定还是把它用起来,下面将展示下载的路径和数据处理的方法。 下面的代码均可以在此找到。Auo…...

【LeetCode】--- MySQL刷题集合
1.组合两个表(外连接) select p.firstName,p.lastName,a.city,a.state from Person p left join Address a on p.personId a.personId; 以左边表为基准,去连接右边的表。取两表的交集和左表的全集 2.第二高的薪水 (子查询、if…...

基于Python的多元医疗知识图谱构建与应用研究(上)
一、引言 1.1 研究背景与意义 在当今数智化时代,医疗数据呈爆发式增长,如何高效管理和利用这些数据,成为提升医疗服务质量的关键。传统医疗数据管理方式存在数据孤岛、信息整合困难等问题,难以满足现代医疗对精准诊断和个性化治疗的需求。知识图谱作为一种知识表示和管理…...
小哆啦解题记:如何计算除自身以外数组的乘积
小哆啦开始力扣每日一题的第十二天 https://leetcode.cn/problems/product-of-array-except-self/description/ 《小哆啦解题记:如何计算除自身以外数组的乘积》 在一个清晨的阳光下,小哆啦坐在书桌前,思索着一道困扰已久的题目:…...
渐进式图片的实现原理
渐进式图片(Progressive JPEG)的实现原理与传统的基线 JPEG(Baseline JPEG)不同。它通过改变图片的编码和加载方式,使得图片在加载时能够逐步显示从模糊到清晰的图像。 1. 传统基线 JPEG 的加载方式 在传统的基线 JP…...
SQL刷题快速入门(三)
其他章节: SQL刷题快速入门(一) SQL刷题快速入门(二) 承接前两个章节,本系列第三章节主要讲SQL中where和having的作用和区别、 GROUP BY和ORDER BY作用和区别、表与表之间的连接操作(重点&…...

mybatis(19/134)
大致了解了一下工具类,自己手敲了一边,java的封装还是真的省去了很多麻烦,封装成一个工具类就可以不用写很多重复的步骤,一个工厂对应一个数据库一个environment就好了。 mybatis中调用sql中的delete占位符里面需要有字符…...

sqlmap 自动注入 -01
1: 先看一下sqlmap 的help: 在kali-linux 系统里面,可以sqlmap -h看一下: Target: At least one of these options has to be provided to define the target(s) -u URL, --urlURL Target URL (e.g. "Salesforce Platform for Application Development | Sa…...
3.8.Trie树
Trie树 Trie 树,又称字典树或前缀树,是一种用于高效存储和检索字符串数据的数据结构,以下是关于它的详细介绍: 定义与原理 定义:Trie 树是一种树形结构,每个节点可以包含多个子节点,用于存储…...
day 21
进程、线程、协程的区别 进程:操作系统分配资源的最小单位,其中可以包含一个或者多个线程,进程之间是独立的,可以通过进程间通信机制(管道,消息队列,共享内存,信号量,信…...
基于模板方法模式-消息队列发送
基于模板方法模式-消息队列发送 消息队列广泛应用于现代分布式系统中,作为解耦、异步处理和流量控制的重要工具。在消息队列的使用中,发送消息是常见的操作。不同的消息队列可能有不同的实现方式,例如,RabbitMQ、Kafka、RocketMQ…...

俄语画外音的特点
随着全球媒体消费的增加,语音服务呈指数级增长。作为视听翻译和本地化的一个关键方面,画外音在确保来自不同语言和文化背景的观众能够以一种真实和可访问的方式参与内容方面发挥着重要作用。说到俄语,画外音有其独特的特点、挑战和复杂性&…...

PyTorch使用教程(10)-torchinfo.summary网络结构可视化详细说明
1、基本介绍 torchinfo是一个为PyTorch用户量身定做的开源工具,其核心功能之一是summary函数。这个函数旨在简化模型的开发与调试流程,让模型架构一目了然。通过torchinfo的summary函数,用户可以快速获取模型的详细结构和统计信息࿰…...

亚博microros小车-原生ubuntu支持系列:5-姿态检测
MediaPipe 介绍参见:亚博microros小车-原生ubuntu支持系列:4-手部检测-CSDN博客 本篇继续迁移姿态检测。 一 背景知识 以下来自亚博官网 MediaPipe Pose是⼀个⽤于⾼保真⾝体姿势跟踪的ML解决⽅案,利⽤BlazePose研究,从RGB视频…...
CVPR 2025 MIMO: 支持视觉指代和像素grounding 的医学视觉语言模型
CVPR 2025 | MIMO:支持视觉指代和像素对齐的医学视觉语言模型 论文信息 标题:MIMO: A medical vision language model with visual referring multimodal input and pixel grounding multimodal output作者:Yanyuan Chen, Dexuan Xu, Yu Hu…...

中南大学无人机智能体的全面评估!BEDI:用于评估无人机上具身智能体的综合性基准测试
作者:Mingning Guo, Mengwei Wu, Jiarun He, Shaoxian Li, Haifeng Li, Chao Tao单位:中南大学地球科学与信息物理学院论文标题:BEDI: A Comprehensive Benchmark for Evaluating Embodied Agents on UAVs论文链接:https://arxiv.…...

解决Ubuntu22.04 VMware失败的问题 ubuntu入门之二十八
现象1 打开VMware失败 Ubuntu升级之后打开VMware上报需要安装vmmon和vmnet,点击确认后如下提示 最终上报fail 解决方法 内核升级导致,需要在新内核下重新下载编译安装 查看版本 $ vmware -v VMware Workstation 17.5.1 build-23298084$ lsb_release…...
AtCoder 第409场初级竞赛 A~E题解
A Conflict 【题目链接】 原题链接:A - Conflict 【考点】 枚举 【题目大意】 找到是否有两人都想要的物品。 【解析】 遍历两端字符串,只有在同时为 o 时输出 Yes 并结束程序,否则输出 No。 【难度】 GESP三级 【代码参考】 #i…...

Opencv中的addweighted函数
一.addweighted函数作用 addweighted()是OpenCV库中用于图像处理的函数,主要功能是将两个输入图像(尺寸和类型相同)按照指定的权重进行加权叠加(图像融合),并添加一个标量值&#x…...
1688商品列表API与其他数据源的对接思路
将1688商品列表API与其他数据源对接时,需结合业务场景设计数据流转链路,重点关注数据格式兼容性、接口调用频率控制及数据一致性维护。以下是具体对接思路及关键技术点: 一、核心对接场景与目标 商品数据同步 场景:将1688商品信息…...

Cinnamon修改面板小工具图标
Cinnamon开始菜单-CSDN博客 设置模块都是做好的,比GNOME简单得多! 在 applet.js 里增加 const Settings imports.ui.settings;this.settings new Settings.AppletSettings(this, HTYMenusonichy, instance_id); this.settings.bind(menu-icon, menu…...
C++八股 —— 单例模式
文章目录 1. 基本概念2. 设计要点3. 实现方式4. 详解懒汉模式 1. 基本概念 线程安全(Thread Safety) 线程安全是指在多线程环境下,某个函数、类或代码片段能够被多个线程同时调用时,仍能保证数据的一致性和逻辑的正确性…...

Mac下Android Studio扫描根目录卡死问题记录
环境信息 操作系统: macOS 15.5 (Apple M2芯片)Android Studio版本: Meerkat Feature Drop | 2024.3.2 Patch 1 (Build #AI-243.26053.27.2432.13536105, 2025年5月22日构建) 问题现象 在项目开发过程中,提示一个依赖外部头文件的cpp源文件需要同步,点…...

10-Oracle 23 ai Vector Search 概述和参数
一、Oracle AI Vector Search 概述 企业和个人都在尝试各种AI,使用客户端或是内部自己搭建集成大模型的终端,加速与大型语言模型(LLM)的结合,同时使用检索增强生成(Retrieval Augmented Generation &#…...