Skip to main content

黑洞资源笔记

黑洞资源笔记
黑洞资源笔记

  2. 一个提供免费图标和插画的图库，为设计师和开发者提供了丰富多样的资源

    有超过 2200 个图标，包括单色和双色两种风格，还提供了 81 幅插画，可以直接在网站上复制SVG格式的图标，也可以使用 Figma 插件将图标插入设计稿中

    QingIcon | #图标

  8. 提醒一下：现在的AI技术越来越刑了，各位尽可能不要把自己和亲人朋友的生活照发网上，头像不要用真人头像，免得被骗。

    有了照片，也就有了数据

  9. 网云穿是一款简单易用的内网穿透工具，它可以实现低成本外网访问内网、远程控制、游戏联机、文件共享等功能，隧道峰值带宽速度较高，软件稳定性较好。

    这工具不是免费的

    详文介绍 ｜#工具

  11. 通用的pytorch模型训练模版工具，可提供优雅、易用且易于修改的训练工具，支持进度条、评估指标、early stopping等功能，同时还支持tensorboard和wandb回调函数等扩展功能

    torchkeras | #工具

  13. 本论文提出了一种基于控制的框架和算法，用于实现长期目标，并在短期参与度和长期目标之间进行权衡。| Paper

  15. LightNet 是一个基于流行的暗网平台的深度学习框架，旨在为计算机视觉任务创建高效、高速的卷积神经网络（CNN）。该框架经过改进和优化，可为各种深度学习挑战提供更通用、更强大的解决方案。

    LightNet 融合了多项前沿技术和优化来提高 CNN 模型的性能。主要特点包括：

    ●多任务学习
    除了暗网中的对象检测之外，LightNet 还经过扩展以支持语义分割学习，从而可以对图像内的对象进行更准确、更详细的分割。此功能支持训练 CNN 模型来识别和分类图像中的各个像素，从而实现更精确的对象检测和场景理解。

    例如，语义分割可用于识别图像中的各个对象，例如汽车或行人，并用相应的对象类别标记图像中的每个像素。这对于各种应用都很有用，包括自动驾驶和医学图像分析。

    ●2:4 结构化稀疏性
    2:4 结构化稀疏技术是一种减少 CNN 模型参数数量同时保持其性能的新颖方法。这种方法使模型更加高效并且需要更少的计算，从而缩短训练和推理时间。

    例如，使用 2:4 结构化稀疏性可以减少 CNN 模型的内存占用和计算要求，从而更容易部署在手机或嵌入式系统等资源受限的设备上。

    ●通道修剪
    通道剪枝是一种优化技术，可以减少 CNN 模型中的通道数量，而不会显着影响其准确性。此方法有助于减小模型大小和计算要求，从而在保持性能的同时缩短训练和推理时间。

    例如，通道修剪可用于减少 CNN 模型中的通道数量，以便在低功耗处理器上进行实时处理，同时仍保持高精度。这对于在计算资源有限的设备上部署模型非常有用。

    ●训练后量化（维护中）
    训练后量化 (PTQ) 是一种减少训练后 CNN 模型的内存占用和计算要求的技术。此功能目前正在维护中，将在未来版本中提供。

    ●量化感知训练（未来支持）
    虽然 PTQ 被认为足以满足 NVIDIA GPU 上的 LightNet，但对于不支持每通道量化的 AI 处理器，我们可能会考虑根据需要添加对量化感知训练 (QAT) 的支持。

    LightNet | #框架