1）为什么要使用 Conda ？

2）选择安装 Anacodna 还是 Miniconda 呢 ？

3）Python 版本的选择与安装

4）Pytorch 版本的选择与安装

2）tensor的连续性

3）tensor.view与tensor.reshape

4）torch.Tensor与torch.tensor的区别

5）nn.Parameter 与 torch.Tensor

6）torch.tensor与torch.as_tensor

1）Dataset 与 DataLoader

2）自定义 Dataset

3）torchvision.datasets

4）Dataloader

5）num_workers 与 pin_memory

6）sampler 与 batch_sampler

7）collate_fn 函数的使用

torchvision.transforms.v2

1）nn.functional 与 nn.Module

2）8类卷积操作

3）BatchNormlization

4）LayerNorm

5）ModuleList 与 ModuleDict

6）查看网络的层 / 层名

7）网络的增删改操作

8）获取网络中间层输出(一)

9）获取网络中间层输出 (二)

全集试看

1）常用优化器

2）权重衰减 weight decay

3）Adam 与 AdamW 的区别

4）参数冻结

5）参数分组｜各组设置不同配置

6）学习率调度器

1）保存与加载

2）模型的保存与加载

3）模型参数的保存与加载

4）checkpoint 与 resume

5）torchvision.models 模块

6）torch.hub 模块

全集试看

1）交叉熵损失函数

2）目标检测-定位损失

3）Focal Loss

4）QFL：Quality Focal Loss

5）DFL：Distribution Focal Loss

6）VFL：Varifocal Loss

7）VFL 代码精讲

1）类别加权、图像加权

2）warmup

3）early_stopping

4）EMA

5）混合精度训练 之 数据类型

6）自动混合精度训练 torch.autocast

7）梯度缩放 GradScaler

8）结构重参数化

9）结构重参数化 - 多分支结构分析

1）自定义反向传播

1）目标检测 评价指标

2）实例分割 评价指标

3）FLOPs 的计算

4）参数量的计算

全集试看

1）logging 的基础使用

2）logging 的高级应用

3）logging的配置文件

4）tensorboard 记录训练数据指标

5）tensorboard 模型可视化、图像可视化

6）wandb 安装与登录

7）wandb基础使用

8）wandb.watch 模型、参数、梯度的监控

9）wandb.Artifact 版本管理、文件保存与下载

全集试看

1）Outline

2）执行多进程并行任务

3）初始化进程组

4）单机多卡与多机多卡

5）DP 与 DDP

6）mp.spawn + DDP 代码示例

7）DistributedSampler

8）torch.distributed.launch

9）torchrun

1）网络输出数据 - 数据处理

2）正样本匹配 - 理论讲解

3）正样本匹配 - 代码精讲上

4）正样本匹配 - 代码精讲下

5）类别损失

6）定位损失

1）yolov11 | 前言

2）yolov11 | C3k2 模块详解

3）yolov11 | C2PSA 模块详解

4）yolov11 | Detect 检测头

5）yolo v12

6）yolo v13｜网络结构 与 三大创新点

7）yolo v13 | 动态超边生成 与 超图卷积

8）YOLO26 ｜MuSGD

9）YOLO26 ｜ MuSGD 知识准备 ：奇异值分解

10）YOLO26 ｜ MuSGD 知识准备 ：牛顿法

1）如何选择 & 下载指定版本 (发布版本)

2）环境配置

3）使用coco数据集训练

4）数据集文件结构

5）标注格式

6）数据集配置文件

7）训练效率最大化 的 指标观察 与 参数设置

8）参数 cache 的使用

9）、参数 workers 对内存占用的影响、训练效率的影响

1）位置编码 positional Embedding

2）复现论文作图 ｜ Attention Map

1）Abstract

2）DETR_模型框架

3）损失函数

4）环境配置

5）消除 torchvision.models 警告

6）命令行参数解析

7）分布式训练

8）学习率与优化器

9）采样器

10）checkpoint 与 resume

1）图像预处理

2）DataLoader

3）Positioanl Encoding

4）backbone

5）transformer

全集试看

1）backbone

2）二维位置编码

3）Encoder 数据准备

4）Reference Points

5）Encoder 网络结构

6）MSDeformableAttention(上)

7）MSDeformableAttention（下）

8）Decoder 数据准备

9）Decoder 网络结构

10）检测头

21.1、DINO v1 | DINO 整体介绍

21.2、DINO v1 | 数据增强 与 multi-crop

21.3、DINO v1 | 教师网络 与 学生网络

21.4、DINO v1 | 损失函数

21.5、DINO v1 | 消融实验 - 中心化 与 锐化

21.6、DINO v1 | 教师网络参数的更新

21.7、DINO v1 | 消融实验 - 教师网络构建方法选择

21.8、DINO v1 | 优化器、调度器、各组件重要性分析

21.9、DINO v2 | 前言

21.10、DINO v2 | LVD-142 数据集的构建

21.11、DINO v2 | 5大改进点概述、整体训练框架解读

21.12、DINOv2 | Patch-level

21.13、DINOv2 | sepeated_head

21.14、DINOv2 | Sinkhorn-Knopp

21.15、DINOv2 | KoLeo Regularizer

21.16、DINOv3 | 前言

21.17、DINOv3 | LVD-1689M 数据集的构建

21.18、DINOv3 | 第一阶段训练

21.19、DINOv3 | 第二阶段训练 Gram Ancho

21.20、DINOv3 | 第三阶段训练 High-resol

21.21、DINOv3 | 多学生模型 并行蒸馏

21.22、DINOv3 图文对齐（DINOv3 - CLIP）

21.23、DINOv3 | 2D RoPE

21.24、DINOv3 代码使用｜自蒸馏训练 环境配置+运行

21.25、DINOv3 代码使用 | 多学生模型并行蒸馏 环境

22.1、常用主干网络 之 Swin-Transformer

22.2、SwinTrans 主干网络代码较源码的区别

22.3、常用主干网络 之 HGNet v2

23.1、screen

23.2、tmux

24.1、CLIP 代码讲解 ｜ 整体推理框架

24.2、CLIP 代码讲解 ｜词表构建

24.3、CLIP 代码讲解 | BBPE encode