Exception 的概念 Exception 是在程序运行时打断正常程序流程的异常的情况 为了保证程序的正常运行，Java 专门提供了异常处理机制 Error：很难恢复的严重错误，一般不由程序处理。 RuntimeException：程序设计或实现上的问题，如数组越界、空指针等。正常的策略是纠正错误。 其它异常：通常是由环境因素引起的，如文件不存在、无效URL等。 可以在异常处

Java高级特性 Static关键字 静态变量（Static Variables）： 当 static 修饰一个成员变量时，这个变量就成为静态变量，也称为类变量。静态变量存储在Java方法区中，且仅有一个副本，供所有类的实例共享 静态变量在类加载时初始化，其生命周期贯穿整个程序执行过程，直到JVM停止运行（类似于全局变量） 可以通过类名直接访问静态变量，无需创建类的实例 静态方法（St

Wandb教程(3) ​ 本篇文章用于介绍Wandb如何进行网格超参数搜索，主要使用了Wandb中的Sweep功能： Sweep配置： 定义 Sweeps 配置 ​ Wandb的配置文件支持YAML和Python等多种文件格式，关于如何配置Sweep可见[官方文档](Define sweep configuration for hyperparameter tuning. (wandb.ai

SPP(Spatial Pyramid Pooling) Motivation： ​ SPP的提出就是为了解决CNN输入图像大小必须固定的问题，从而可以使得输入图像高宽比和大小任意 网络结构解析： ​ SPP-Neck网络结构如下： 首先是输入层(input image),其大小可以是任意的 中间的部分就是SPP-Neck层，SPP会在最后一层卷积层输出的特征图上进行操作，将其划分为多个

FeatUp ​ 本文章通过借助图像重建的思路提出了一种新型上采样算子，这篇论文的idea可以用以下几点概括： 借助3D图像重建网络NeRF的想法：多个视角下的地分辨率信号可以指导采样高分辨率的特征图的“重建“过程，这里的“多个视角”指对原低分辨率特征图进行各种微调（jittered）之后的特征图，通过这些低分辨率的特征图可以有效地帮助重建高分辨率信号 以Joint Bilateral Ups

Python实用用法 路径操作： ​ Python中常用路径操作库包括os.path 和 pathlib.Path，都是 Python 中用于处理文件和目录路径的模块，但它们的设计哲学和使用方式存在显著区别： os.path： 是一个基于字符串的操作库，提供了许多函数来处理路径名，如连接路径、拆分路径、判断是否为绝对路径、获取目录/文件名等 以过程式风格编写，所有操作返回的是字符串类型结果

Wandb教程(2) Wand的推荐用法 Config： config的配置方法： 直接赋值 ​ 在初始化 wandb 之前或之后，可以创建一个字典或使用 wandb.config 的属性赋值方式来设置配置项。例如： 12345678910111213141516# 方法一：直接创建一个字典并赋值给 wandb.configconfig = { "learnin

Wandb教程(1) ​ Wandb（Weights & Biases）是一个用于机器学习实验跟踪、可视化和管理的平台。它提供了一个强大的工具集，帮助研究人员和开发人员跟踪他们的模型训练过程、超参数、指标以及模型的版本。他就是Tensorboard的白富美版本：颜值高，气质好，可视化交互性强，支持所有深度学习框架。它内嵌在计算机中，不需要你写可视化代码（我之前每次可视化都要写一次把张量的

Tensorboard的示例应用 Tensorboard进行中间特征图可视化： ​ 采用了注册钩子函数，再钩子函数中记录特征图，并将其可视化下来的方案，代码如下： 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849import torchimport torch.nn

TensorBoardX教程(1) TensorBoard 是一组用于数据可视化的工具。它包含在流行的开源机器学习库 Tensorflow 中。TensorBoard 的主要功能包括： 可视化模型的网络架构 跟踪模型指标，如损失和准确性等 检查机器学习工作流程中权重、偏差和其他组件的直方图 显示非表格数据，包括图像、文本和音频 将高维嵌入投影到低维空间 TensorBoardX的使用： ​