深度学习实践：构建并训练卷积神经网络（CNN）对CIFAR-10数据集进行分类
本文详细介绍如何使用PyTorch构建并训练卷积神经网络（CNN）对CIFAR-10数据集进行图像分类。从数据预处理、模型定义到训练过程及结果可视化，文章全面展示了深度学习项目的全流程。通过实际操作，读者可以深入了解CNN在图像分类任务中的应用，并掌握PyTorch的基本使用方法。希望本文为您的深度学习项目提供有价值的参考与启示。
深度学习在图像识别中的应用与挑战
当深度学习技术遇上图像识别，就像咖啡遇上糖，激发出了无限可能。本文将深入浅出地探索深度学习如何改变图像识别的游戏规则，同时也会揭示这项技术面临的一些甜蜜负担。从卷积神经网络（CNN）的魔法到训练数据集的构建，我们将一起走进深度学习的世界，看看它是如何在图像识别中大放异彩的。准备好了吗？让我们开始这场视觉与智能的盛宴吧！
AI计算机视觉笔记十八：Swin Transformer目标检测环境搭建
本文详细记录了Swin Transformer在AutoDL平台上的环境搭建与训练过程。作者从租用GPU实例开始，逐步介绍了虚拟环境的创建、PyTorch安装、mmcv及mmdetection的配置，并解决了安装过程中遇到的各种问题，如cython版本冲突等。最后，通过修改代码实现目标检测结果的保存。如需了解更多细节或获取完整代码，请联系作者。原文链接：[原文链接]（请在此处插入原文链接）。
AI计算机视觉笔记二十二：基于 LeNet5 的手写数字识别及训练
本文介绍了使用PyTorch复现LeNet5模型并检测手写数字的过程。通过搭建PyTorch环境、安装相关库和下载MNIST数据集，实现了模型训练与测试。训练过程涉及创建虚拟环境、安装PyTorch及依赖库、准备数据集，并编写训练代码。最终模型在测试集上的准确率达到0.986，满足预期要求。此项目为后续在RK3568平台上部署模型奠定了基础。
AI计算机视觉笔记二十四：YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP（You Only Look Once for Panoptic Driving Perception）的过程，包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布，可在Jetson TX2上达到23FPS，实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤，并解决了ONNX转换过程中的问题。
AI计算机视觉笔记三十二：LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架，适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割，采用端到端的轻量化设计，结合了squeezenet和inception的思想。其创新点在于去除了RNN，仅使用CNN与CTC Loss，并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖，执行训练和测试脚本时可能遇到若干错误，需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率，自行训练时建议增加训练轮数以提升效果。
深度学习之测量GPU性能的方式
在深度学习中，测量GPU性能是一个多方面的任务，涉及运行时间、吞吐量、GPU利用率、内存使用情况、计算能力、端到端性能测试、显存带宽、框架自带性能工具和基准测试工具等多种方法。通过综合使用这些方法，可以全面评估和优化GPU的性能，提升深度学习任务的效率和效果。
深度学习训练时混合精度的作用
在深度学习训练过程中，混合精度（Mixed Precision）是指同时使用不同的数值精度（如16位浮点数和32位浮点数）来进行计算。