当前位置：首页 > news >正文

第15章：ConvNeXt图像分类实战：遥感场景分类【包含本地网页部署、迁移学习】

news 来源：原创 2025/8/15 1:32:53

1. ConvNeXt 模型

2. 遥感场景建筑识别

2.1 数据集

2.2 训练参数

2.3 训练结果

2.4 本地部署推理

3. 下载

1. ConvNeXt 模型

ConvNeXt是一种基于卷积神经网络（CNN）的现代架构，由Facebook AI Research (FAIR) 团队在2022年提出。它通过借鉴Transformer的设计思想，对传统CNN进行了改进，使其在图像分类等任务中表现优异，甚至超越了Vision Transformers（ViT）

详细介绍：

基于ConvNeXt网络的图像识别-CSDN博客

核心思想

ConvNeXt的核心思想是将Transformer的成功设计理念（如ViT）引入CNN，同时保留卷积的固有优势。通过一系列现代化改进，ConvNeXt在保持高效性的同时，提升了性能。

主要改进

大卷积核：使用更大的卷积核（如7x7）来扩大感受野，类似于Transformer中自注意力机制捕捉全局信息的能力。
分层设计：采用类似ResNet的分层结构，逐步降低分辨率并增加通道数，以提取多尺度特征。
倒置瓶颈结构：借鉴MobileNetV2的倒置瓶颈设计，先扩展通道数再进行深度卷积，最后压缩通道数，提升计算效率。
Layer Normalization：用Layer Normalization替换Batch Normalization，更适合小批量训练，并提升模型稳定性。
GELU激活函数：使用GELU激活函数替代ReLU，因其在Transformer中的表现更佳。
减少激活和归一化层：减少不必要的激活和归一化层，简化网络结构，提升性能。
Stochastic Depth：引入随机深度（Stochastic Depth），在训练时随机丢弃部分层，增强模型泛化能力。

2. 遥感场景建筑识别

ConvNeXt 实现的model部分代码如下面所示，这里如果采用官方预训练权重的话，会自动导入官方提供的最新版本（ImageNet）的权重

2.1 数据集

数据集文件如下：

具体图像示例：

标签如下：

{"0": "airport","1": "bridge","2": "church","3": "forest","4": "lake","5": "river","6": "skyscraper","7": "stadium","8": "statue","9": "tower","10": "urbanPark"
}

其中，训练集的总数为820，验证集的总数为345

2.2 训练参数

训练的参数如下：

    parser.add_argument("--model", default='tiny', type=str,help='tiny,small,base,large')parser.add_argument("--pretrained", default=True, type=bool)       # 采用官方权重parser.add_argument("--freeze_layers", default=True, type=bool)    # 冻结权重parser.add_argument("--batch-size", default=8, type=int)parser.add_argument("--epochs", default=30, type=int)parser.add_argument("--optim", default='AdamW', type=str,help='SGD,Adam,AdamW')         # 优化器选择parser.add_argument('--lr', default=0.01, type=float)parser.add_argument('--lrf',default=0.01,type=float)                  # 最终学习率 = lr * lrfparser.add_argument('--save_ret', default='runs', type=str)             # 保存结果parser.add_argument('--data_train',default='./data/train',type=str)           # 训练集路径parser.add_argument('--data_val',default='./data/val',type=str)               # 验证集路径

需要注意的是网络分类的个数不需要指定，摆放好数据集后，代码会根据数据集自动生成！

更换数据集的话，将data-train和data-val路径更改即可，一键运行！

trian脚本会在训练同时自动验证，生成训练和验证的曲线图和指标

网络模型信息如下：

 "train parameters": {"model version": "tiny","pretrained": true,"freeze_layers": true,"batch_size": 8,"epochs": 30,"optim": "AdamW","lr": 0.01,"lrf": 0.01,"save_folder": "runs"},"dataset": {"trainset number": 820,"valset number": 345,"number classes": 11},"model": {"total parameters": 27818891.0,"train parameters": 9995,"flops": 4463390208.0},

2.3 训练结果

所有的结果都保存在 save_ret 目录下，这里是 runs ：

weights 下有最好和最后的权重，在训练完成后控制台会打印最好的epoch

这里只展示部分结果：可以看到网络没有完全收敛，增大epoch会得到更好的效果

最后一轮结果：

    "epoch:29": {"train info": {"accuracy": 0.9987804877926978,"airport": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"bridge": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"church": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"forest": {"Precision": 1.0,"Recall": 0.987,"Specificity": 1.0,"F1 score": 0.9935},"lake": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"river": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"skyscraper": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"stadium": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"statue": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"tower": {"Precision": 1.0,"Recall": 1.0,"Specificity": 1.0,"F1 score": 1.0},"urbanPark": {"Precision": 0.9872,"Recall": 1.0,"Specificity": 0.9987,"F1 score": 0.9936},"mean precision": 0.9988363636363636,"mean recall": 0.9988181818181818,"mean specificity": 0.9998818181818181,"mean f1 score": 0.9988272727272729},"valid info": {"accuracy": 0.8463768115696703,"airport": {"Precision": 0.9231,"Recall": 0.8571,"Specificity": 0.997,"F1 score": 0.8889},"bridge": {"Precision": 0.9032,"Recall": 0.8485,"Specificity": 0.9904,"F1 score": 0.875},"church": {"Precision": 0.7647,"Recall": 0.8125,"Specificity": 0.9878,"F1 score": 0.7879},"forest": {"Precision": 0.9259,"Recall": 0.7576,"Specificity": 0.9936,"F1 score": 0.8333},"lake": {"Precision": 0.9091,"Recall": 0.7692,"Specificity": 0.997,"F1 score": 0.8333},"river": {"Precision": 0.7872,"Recall": 0.9024,"Specificity": 0.9671,"F1 score": 0.8409},"skyscraper": {"Precision": 0.875,"Recall": 0.7,"Specificity": 0.997,"F1 score": 0.7778},"stadium": {"Precision": 0.8943,"Recall": 0.9649,"Specificity": 0.9437,"F1 score": 0.9283},"statue": {"Precision": 0.8095,"Recall": 0.6296,"Specificity": 0.9874,"F1 score": 0.7083},"tower": {"Precision": 0.7143,"Recall": 0.4167,"Specificity": 0.994,"F1 score": 0.5263},"urbanPark": {"Precision": 0.7,"Recall": 0.875,"Specificity": 0.9617,"F1 score": 0.7778},"mean precision": 0.8369363636363637,"mean recall": 0.7757727272727273,"mean specificity": 0.9833363636363637,"mean f1 score": 0.7979818181818181}}

训练集和测试集的混淆矩阵：

ROC曲线和auc值：

2.4 本地部署推理

推理是指没有标签，只有图片数据的情况下对数据的预测，这里使用了网页推理

值得注意的是，如果训练了自己的数据集，需要对infer脚本进行更改，如下：

# 参数
MODEL = 'tiny'
LABELS = r'D:\project\ConvNeXt全家桶\runs\class_indices.json'
PTH = r'D:\project\ConvNeXt全家桶\runs\weights\best.pth'
IMAGE_PATH = r'D:\project\ConvNeXt全家桶\data\train\airport\0.jpg'

运行：

streamlit run D:\project\ConvNeXt全家桶\infer.py

3. 下载

关于本项目代码和数据集、训练结果的下载：

基于ConVNeXt神经网络模型实现的迁移学习、图像识别项目：遥感场景分类网页推理资源-CSDN文库

关于Ai 深度学习图像识别、医学图像分割改进系列：AI 改进系列_听风吹等浪起的博客-CSDN博客

神经网络改进完整实战项目：改进系列_听风吹等浪起的博客-CSDN博客

第15章：ConvNeXt图像分类实战：遥感场景分类【包含本地网页部署、迁移学习】

目录 1. ConvNeXt 模型 2. 遥感场景建筑识别 2.1 数据集 2.2 训练参数 2.3 训练结果 2.4 本地部署推理 3. 下载 1. ConvNeXt 模型 ConvNeXt是一种基于卷积神经网络（CNN）的现代架构，由Facebook AI Research (FAIR) 团队在2022年提出。…...

编程日记 2025/8/15 1:32:53

LinuX---Shell脚本创建和执行

概述： 它是一个命令行解释器，接收应用程序/用户命令，然后调用操作系统内核。 Shell还是一个功能强大的编程语言，易编写、易调试、灵活性强。 Linux提供的Shell解析器有 atguiguubuntu:~$ cat /etc/shells # /etc/shells: valid …...

编程日记 2025/8/6 6:18:03

django+vue3实现前后端大文件分片下载

效果： 大文件分片下载支持的功能： 展示目标文件信息提高下载速度：通过并发请求多个块，可以更有效地利用网络带宽断点续传：支持暂停后从已下载部分继续，无需重新开始错误恢复：单个块下载失败只…...

编程日记 2025/8/8 7:42:13

KY-038 声音传感器如何工作以及如何将其与 ESP32 连接

想为您的项目赋予声音感！然后跟着做，因为在这个项目中，我们将连接一个声音传感器，用它构建一些有趣的项目。我们使用的 KY-038 声音传感器使用电容式麦克风来检测声波，这为我们提供了稳定性和可靠性的完美平衡。因此，在本文中，我们决定将 KY-038 传感器与 ESP32 连接，并…...

编程日记 2025/8/12 5:08:39

深入剖析二分查找的延伸：在排序数组中查找元素的第一个和最后一个位置

深入剖析二分查找的延伸：在排序数组中查找元素的第一个和最后一个位置引言二分查找，作为算法界的“常青树”，以其高效性和简洁性备受青睐。然而，许多初学者仅限于使用它查找单个元素，而对其进阶应用知之甚少。今天…...

编程日记 2025/8/14 1:10:28

UE5中 Character、PlayerController、PlayerState、GameMode和GameState核心类之间的联动和分工·

1. GameMode 与 GameState 关系描述 GameMode：定义游戏规则和逻辑，控制游戏的开始、进行和结束。GameState：存储和同步全局游戏状态，如得分、时间、胜利条件等。联动方式 GameMode初始化GameState：GameMode在游戏…...

编程日记 2025/8/13 22:35:24

使用Python获取并操作1688自定义API接口

在电子商务领域，1688作为国内领先的B2B平台，提供了丰富的API接口，允许开发者获取商品信息、店铺信息等。其中，custom接口允许开发者进行自定义操作，获取特定的数据。本文将详细介绍如何使用Python调用1688的custom接口…...

编程日记 2025/8/9 13:03:53

【AI】现代人工智能技术的应用与发展

引言人工智能（AI）已经深入到我们生活的各个方面，涉及医疗、教育、交通、金融等众多领域。随着技术的不断发展，AI的应用和潜力也变得愈加广泛。本文将详细介绍人工智能的应用领域，探讨未来的发展趋势，并通…...

编程日记 2025/8/13 1:26:49

小程序渲染之谜：如何解决“加载中...”不消失的 Bug（glass-easel）

🎉 小程序渲染之谜：如何解决“加载中…”不消失的 Bug 🎉 引言在小程序开发中，渲染问题总能让人抓狂。😫 这次，我遇到了一个奇怪的 bug：产品详情页的内容已经正常显示，但页面却一…...

编程日记 2025/8/15 1:32:52

C语言结构体全面解析 | 从入门到精通

📚 C语言结构体全面解析 | 从入门到精通整理：算法练习生| 转载请注明出处 📑 目录结构体的定义与使用结构体变量的参数传递结构体数组结构体指针typedef关键字结构体初始化 1️⃣ 结构体的定义与使用为什么需要结构体？ 当…...

编程日记 2025/8/15 1:32:53

Trae与Builder模式初体验

说明下载的国际版：https://www.trae.ai/ 建议要选新模型效果还是挺不错的，遇到问题反馈一下，AI就帮忙解决了，真是动动嘴（打打字就行了），做些小的原型效果或演示Demo很方便呀&#xff…...

编程日记 2025/8/9 20:46:52

QtCreator****功能介绍 QtCreator 概述 Qt Creator是跨平台的 Qt IDE， Qt Creator 是 Qt 被 [Nokia](https://baike.baidu.com/item/Nokia/264012" /t “_blank) 收购后推出的一款新的轻量级[集成开发环境](https://baike.baidu.com/item/集成开发环境/298524” /t “_…...

编程日记 2025/8/15 1:30:55

【HeadFirst系列之HeadFirstJava】第18天之深入理解原型模式：从问题到解决方案（含 Java 代码示例）

深入理解原型模式：从问题到解决方案（含 Java 代码示例） 在软件开发中，我们经常需要创建对象，而有些对象的创建成本较高或者结构较为复杂。如何在不破坏封装的前提下，高效地创建对象？ 这正是**原…...

编程日记 2025/8/11 3:02:05

JetsonOrin源码安装部署PaddlePaddle

Jetson Orin 源码安装部署Paddle 部署环境系统架构: Arm CUDA: 11.4 cmake: 3.18.0 python:3.8 注意环境中的版本问题，之前装onnxruntime的时候cmake被升级到了3.31.0，但是编译Paddle时会报错，因此特意降级回了官方推荐的3.18.0 具体环…...

编程日记 2025/8/12 11:44:15

入门到入土，Java学习 day20(多线程下)

void wait() 当前线程等待，直到被其他线程唤醒 void notify() 随机唤醒单个线程 void notifyAll() 唤醒所有线程阻塞队列在测试方法中创建带锁队列，然后在对象类中也创建队列但是不赋值，用构造方法将测试方法中的对象赋值然后用put和t…...

编程日记 2025/8/1 18:51:57

【TCP】三次挥手，四次挥手详解--UDP和TCP协议详解

活动发起人小虚竹想对你说： 这是一个以写作博客为目的的创作活动，旨在鼓励大学生博主们挖掘自己的创作潜能，展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴，那么，快来参加吧&#xff01…...

编程日记 2025/8/9 21:48:46

栈(LIFO)算法题

1.删除字符串中所有相邻的重复字符注意，我们需要重复处理，而不是处理一次相邻的相同元素就结束了。对示例来说，如果只进行一次处理，结果为aaca，但是处理之后又出现了相邻的重复元素，我们还得继续处理&…...

编程日记 2025/8/12 23:30:29

印章/公章识别：PaddleX下的“Seal-Recognition”模型

最近做项目需要对印章进行识别，并提取其中的印章文字，又不希望这个模型太大，还要方便部署，于是乎这个模型是个不错的选择。一、模型简介 “Seal-Recognition”模型是PaddleX旗下的一款模型（PaddleX 是基于飞桨框架构…...

编程日记 2025/8/12 10:10:36

从LLM出发：由浅入深探索AI开发的全流程与简单实践（全文3w字）

文章目录第一部分：AI开发的背景与历史1.1 人工智能的起源与发展1.2 神经网络与深度学习的崛起1.3 Transformer架构与LLM的兴起1.4 当前AI开发的现状与趋势第二部分：AI开发的核心技术2.1 机器学习：AI的基础2.1.1 机器学习的类型2.1.2 机器学…...

编程日记 2025/8/15 1:32:28

DeepSeek入门宝典——行业应用篇

大家好，我是吾鳴。今天吾鳴要给大家分享一份由51CTO智能研究院出品的DeepSeek报告——《DeepSeek入门宝典——行业应用篇》。这份报告主要从DeepSeek核心能力、行业赋能与应用案例、合作伙伴与生态建设和学习资料与体系化方案做了详细的介绍，报告一共有…...

编程日记 2025/8/12 21:23:19

K8S学习之基础三十一：k8s中RBAC 的核心概念

Kubernetes (k8s) 中的 RBAC（Role-Based Access Control，基于角色的访问控制）是一种用于管理用户和服务账户对集群资源访问权限的机制。RBAC 允许管理员通过定义角色（Role）和角色绑定（RoleBinding&#xff…...

编程日记 2025/7/16 1:39:20

JAVA数据库技术（一）

JDBC 简介 JDBC（Java Database Connectivity）是Java平台提供的一套用于执行SQL语句的Java API。它允许Java程序连接到数据库，并通过发送SQL语句来查询、更新和管理数据库中的数据。JDBC为不同的数据库提供了一种统一的访问方式，使…...

编程日记 2025/8/8 8:04:30

【Agent】OpenManus-Flow组件详细分析

1. Flow架构概述 OpenManus 的Flow组件实现了一个灵活的工作流管理系统，主要用于协调多个智能体的协作，以完成复杂任务。Flow组件的核心是基于计划的执行模型，它将任务分解为一系列步骤，然后逐步执行这些步骤，直到任务…...

编程日记 2025/8/14 8:37:41

MySQL环境安装详细教程（Windows/macOS/Linux）

摘要：本文详细介绍了在Windows、macOS和Linux三大操作系统下安装MySQL数据库的完整流程，帮助开发者快速搭建本地MySQL环境。一、MySQL安装前准备官网下载访问MySQL官网 → 选择"Downloads" → 选择"MySQL Community (GPL) Downloads&…...

编程日记 2025/8/14 10:39:12

【人工智能基础2】人工神经网络、卷积神经网络基础、循环神经网络、长短时记忆网络

文章目录三、人工神经网络1. 神经元感知模型2. 神经网络模型3. 学习规则:修改神经网络的权重和偏置反向传播算法（BP）优化器 - 梯度下降法四、卷积神经网络基础（CNN）1. 基本原理2. 计算过程五、循环神经网络（RNN&…...

编程日记 2025/8/15 1:32:27

如何查看windows系统的硬件环境（附方法

方法一：使用命令指示符查询在“开始”菜单中搜索：命令指示符，并以管理员身份打开， 输入：systeminfo，就可以查看硬件、CPU、处理器等详细内容 systeminfo 方法二：在资源监视器中查看按住 “…...

编程日记 2025/8/11 22:02:51

基于树莓派的水果分类系统（论文+源码）

针对小型农户的在水果加工销售环节中的分类需求，本文设计并实现了基于树莓派的视觉识别分类系统。本章根据所选水果的具体情况，简述系统各模块的实现方法，设计树莓派的程序算法，并选择合适的器件型号，开发所用的辅助工…...

编程日记 2025/8/12 20:22:27

Gemini Robotics：将人工智能带入物理世界

25年3月来自谷歌的技术报告“Gemini Robotics: Bringing AI into the Physical World”。大型多模态模型的最新进展，已使数字领域出现卓越的通才能力，但将其转化为机器人等物理智体仍然是一项重大挑战。一般有用的机器人需要能够理解周围的物理世界&am…...

编程日记 2025/8/11 23:56:48

2.5[frontEnd]

requestAnimationFrame 是浏览器原生 API，定义在 window 对象中，属于 Web API 的一部分。无需任何导入即可直接使用，其类型定义包含在 TypeScript 标准库中。 React 组件挂载时执行该 useEffect 初始化节流计时器 lastEmit 和 25ms 触发间隔…...

编程日记 2025/8/14 19:08:23

【动手学深度学习】#2线性神经网络

主要参考学习资料： 《动手学深度学习》阿斯顿张等著【动手学深度学习 PyTorch版】哔哩哔哩跟李牧学AI 目录 2.1 线性回归2.1.1 线性回归的基本元素线性模型损失函数解析解随机梯度下降 2.1.3 最大似然估计 2.2 线性回归从零开始实现2.2.1 生成数据集2.2.2 读取数…...

编程日记 2025/8/15 1:30:57

C语言动态内存管理(上)

欢迎拜访：雾里看山-CSDN博客本篇主题：C语言动态内存管理(上) 发布时间：2025.3.16 隶属专栏：C语言目录为什么需要动态内存管理静态分配的局限性动态分配的优势动态内存函数malloc函数介绍函数使用 free函数介绍函数使用 calloc…...

编程日记 2025/8/9 19:44:34

图解多头注意力机制：维度变化一镜到底

目录一、多头注意力机制概述二、代码实现1. pyTorch 实现2. tensorFlow实现三、维度变化全流程详解1. 参数设定2. 维度变化流程图3. 关键步骤维度变化四、关键实现细节解析1. 多头拆分与合并2. 注意力分数计算3. 掩码处理技巧五、完整运行示例六、总结与常见问题1. 核心优势…...

编程日记 2025/8/15 1:30:43

Navicat如何查看密码

近期遇到需要将大部分已存储的navicat数据库转发给其他人，于是乎进行导出文件奈何对方不用navicat，无法进行文件的导入从而导入链接搜罗navicat的密码查看，大部分都为php代码解析以下转载GitHub上看到的一个python代码解析的脚本这里是对…...

编程日记 2025/8/10 5:03:00

第4节：分类任务

引入： 独热编码（one-hot）：对于分类任务的输出，也就是是或不是某类的问题，采取独热编码的形式将y由一离散值转化为连续的概率分布，最大值所在下标为预测类输入的处理：对于任意一张…...

编程日记 2025/8/13 5:08:54

EasyCVR安防视频汇聚平台助力工业园区构建“感、存、知、用”一体化智能监管体系

在现代工业园区的安全管理和高效运营中，视频监控系统扮演着不可或缺的角色。然而，随着园区规模的扩大和业务的复杂化，传统的视频监控系统面临着诸多挑战，如设备众多难以统一管理、数据存储分散、智能分析能力不足、信息利用率低下…...

编程日记 2025/8/9 21:57:58

计算机网络——DNS

一、什么是DNS？ DNS（Domain Name System，域名系统） 是互联网的核心服务，负责将人类可读的域名（如 www.baidu.com）转换为机器可识别的 IP地址（如 14.119.104.254）。它像一…...

编程日记 2025/8/15 1:32:53

STC89C52单片机学习——第20节: [8-2]串口向电脑发送数据电脑通过串口控制LED

写这个文章是用来学习的,记录一下我的学习过程。希望我能一直坚持下去,我只是一个小白,只是想好好学习,我知道这会很难，但我还是想去做！ 本文写于：2025.03.15 51单片机学习——第20节: [8-2]串口向电脑发送数据&电脑通过串口控制LED 前言…...

编程日记 2025/8/15 1:32:51

1.5[hardware][day5]

Link类跳转指令可以拆分为两个部分，一个是跳转，即下一个PC的生成，如果将分支条件的比较放到译码级来进行，则这部分只涉及取值级和译码级流水；另一个是Link操作，简单来说就是写寄存器，这部则主要…...

编程日记 2025/8/15 1:30:42

Java 多线程编程：提升系统并发处理能力！

多线程是 Java 中实现并发任务执行的关键技术，能够显著提升程序在多核处理器上的性能以及处理多任务的能力。本文面向初级到中级开发者，从多线程的基本定义开始，逐步讲解线程创建、状态管理、同步机制、并发工具以及新兴的虚拟线程技术。每部…...

编程日记 2025/8/9 22:33:33

Mininet 的详细设计逻辑

Mininet 是一个轻量级网络仿真工具，其核心目标是在单台物理机上快速构建复杂的虚拟网络拓扑，支持 SDN（软件定义网络）和传统网络协议的实验与验证。其设计逻辑围绕虚拟化、模块化和灵活性展开，以下是其详细设计架构…...

编程日记 2025/8/15 1:32:24

原生微信小程序实现导航漫游（Tour）

效果： 小程序实现导航漫游 1、组件 miniprogram/components/tour/index.wxml  <view class"guide" wx:if"{{showGuide}}"><view style"{{guideStyle}}" class"guide-box"><view class&quo…...

编程日记 2025/8/9 1:24:47

Spring(6）——Spring、Spring Boot 与 Spring MVC 的关系与区别

Spring、Spring Boot 与 Spring MVC 的关系与区别 1. 核心定位 Spring 定位：基础框架，提供 IoC（控制反转） 和 DI（依赖注入） 核心功能，管理对象生命周期及依赖关系。功能：支持事务管…...

编程日记 2025/8/11 17:13:58

神聖的綫性代數速成例題2. 行列式的性質

性質 1：行列式與它的轉置行列式相等： 設為行列式，為其轉置行列式，則。性質 2：交換行列式的兩行 (列)，行列式變號： 若行列式經過交換第行和第行得到行列式，則。性質 3&#xff…...

编程日记 2025/8/11 8:25:20

ModelScope推理QwQ32B

文章目录 ModelScope推理QwQ32Bmodel_scope下载QwQ32BModelScope 调用QwQ-32B ModelScope推理QwQ32B 以下载 qwq32b 为例子需要安装的 python 包 transformers4.49.0 accelerate>0.26.0 torch2.4.1 triton3.0.0 safetensors0.4.5可以使用 conda 创建一个虚拟环境安装 cond…...

编程日记 2025/8/14 18:14:22

使用unsloth进行grpo强化学习训练

说明 unsloth框架可以进行各种sft训练，包括lora和grpo训练。我参考官方方法，使用模型Qwen2.5-3B-Instruct和数据集gsm8k，写了一个grpo训练的例子。代码这个代码加载模型Qwen2.5-3B-Instruct和数据集gsm8k。训练完成后先保存lora模型然后…...

编程日记 2025/8/14 8:49:33

【c++】【智能指针】shared_ptr底层实现

【c】【智能指针】shared_ptr底层实现智能指针之前已经写过了，但是考虑到不够深入，应该再分篇写写。 1 shared_ptr 1.1 shared_ptr 是什么 std::shared_ptr是一个类模板，它的对象行为像指针，但是它还能记录有多少个对象共享它…...

编程日记 2025/8/12 22:38:00

python拉取大视频导入deepseek大模型解决方案

使用Python拉取大视频并导入大模型，需要综合考虑数据获取、存储、处理和资源管理，确保高效稳定地处理大视频数据，同时充分利用大模型的性能，以下是分步方案及代码示例： --- 1. 分块下载大视频（避免内存溢出…...

编程日记 2025/8/13 4:20:56

【Python】面向对象

编程的两大特点面向过程：着重于做什么面向对象（ oop）：着重于谁去做 python是面向对象语言，面向对象三大特点：封装、继承、多态面向对象：便于代码管理，方便迭代更新。新式类、经…...

编程日记 2025/8/11 10:25:39

leetcode日记（100）填充每个节点的下一个右侧节点指针

和层序遍历差不多的思路，将节点储存在队列里，一边取出节点一边放入取出节点的左右节点，直到队列空。 /* // Definition for a Node. class Node { public:int val;Node* left;Node* right;Node* next;Node() : val(0), left(NULL), right(NU…...

编程日记 2025/8/12 14:05:14

docker入门篇

使用docker可以很快部署相同的环境,这也是最快的环境构建,接下来就主要对docker中的基础内容进行讲解.Docker 是一个用于开发、交付和运行应用程序的开源平台，它可以让开发者将应用程序及其依赖打包到一个容器中，然后在任何环境中运行这个容器&#xff0…...

编程日记 2025/8/14 4:36:21

1. ConvNeXt 模型

2. 遥感场景建筑识别

2.1 数据集

2.2 训练参数

2.3 训练结果

2.4 本地部署推理

3. 下载

相关文章：