1.Autoware.io源码编译安装
2.DETR解读
3.图解UE4源码AI行为树系统 其二 一棵行为树是源码怎么被运行起来的
4.极智AI | Colossal-AI高效异构内存管理系统
5.可免费使用NovelAI的资源指路（本地版，云端版）
Autoware.io源码编译安装
要编译安装Autoware.io，解读首先请确保已安装ROS1，源码如Ubuntu .版本的解读Melodic。以下步骤将指导你完成依赖安装及源码编译过程。源码安装依赖
1. 对于CUDA的解读秦皇岛ios源码支持（可选但建议），你需要下载CUDA .0，源码链接位于developer.nvidia.com/cuda。解读安装时，源码遇到驱动安装询问时选择n，解读后续步骤默认安装即可。源码 2. 安装cudnn，解读从developer.nvidia.com/rd...获取并进行安装。源码在cuda目录下进行软链接配置，解读并通过验证测试。源码其他依赖安装
3. 安装eigen3.3.7，接着是opencv3，安装时需先安装依赖库，然后解压、配置和编译。源码下载与编译
4. 创建新的工作区，下载并配置工作区，幂幂源码然后下载Autoware.ai源码。 5. 使用rosdep安装依赖库，有CUDA版本和无CUDA版本两种编译方式。测试与问题解决
6. 下载并运行demo，可能遇到的问题包括编译错误和链接问题。问题1：calibration_publisher报错，需修改CMakeList.txt文件。
问题2：ndt_gpu编译错误，需替换Eigen3Config.cmake文件中的版本信息。
问题3：opencv链接问题，需要检查和调整。
问题4：rosdep更新慢，可通过修改源码和配置文件解决。
问题5：runtime manager花屏，需安装wxPython 4.和libsdl1.2-dev。
通过上述步骤，你应该能够成功编译并测试Autoware.io。如有任何疑问，查阅官方文档或社区论坛寻求帮助。DETR解读
DETR（Detection Transformer）是一种新型的目标检测模型，它基于Transformer架构，币圈子源码由Facebook AI Research（FAIR）提出。DETR与传统目标检测方法不同，不使用锚框或候选区域，而是直接将整个图像输入到Transformer中，同时输出目标的类别和边界框。
DETR的主要构成部分包括backbone、transfomer以及head模块。本文将结合源码对DETR进行解析。
Backbone部分包含PE（position embedding）和cnn（resnet）主干网络。
PE采用二维位置编码，x和y方向各自计算了一个位置编码，每个维度的位置编码长度为num_pos_feats（该数值实际上为hidden_dim的一半），奇数位置正弦，偶数位置余弦，最后cat到一起（NHWD），permute成（NDHW）。输入的mask是2**，那么最后输出的pos encoding的shape是2***。
CNN_backbone采用resnet，以输入3**为例，输出**，立刻聊源码下采样5次合计倍。
Transfomer主要由encoder和decoder两大模块构成。
TransformerEncoder中，qkv都来自src，其中q和k加了位置编码，v没有加，猜测原因可能是qk之间会计算attention，所以位置是比较重要的，value则是和attention相乘，不需要额外的位置编码。
TransformerDecoder中，几个重点的变量包括object query的自注意力和cross attention。
Head部分，分类分支是Linear层，回归分支是多层感知机。
Matcher采用的是HungarianMatcher匹配，这里计算的cost不参与反向传播。
Criterion根据匈牙利算法返回的indices tuple，包含了src和target的index，计算损失：分类loss+box loss。
分类损失采用交叉熵损失函数，产地溯源码回归损失采用L1 loss + Giou loss。
推理部分，先看detr forward函数，后处理，预测只需要卡个阈值即可。
论文链接：arxiv.org/pdf/....
代码链接：github.com/facebookrese...
参考链接：zhuanlan.zhihu.com/p/... zhuanlan.zhihu.com/p/...
如需删除侵权内容，请联系我。
图解UE4源码AI行为树系统 其二 一棵行为树是怎么被运行起来的
在本系列的第三部分，我们将深入探讨行为树的运行过程。首先，行为树的运行分为几个关键步骤：发起行为树运行
行为树的运行可以通过两种方式启动:调用AAIController::RunBehaviorTree()函数。
通过Run Behavior任务节点执行子行为树。
抽象逻辑理解
理解流程时，想象一个抽象流程图，我们将讲解分为蓝色泳道（检查和加载）和红色泳道（初始化和执行）。检查和加载子树
开始前，UBehaviorTreeComponent会对子树进行三项检查:确保子树使用的黑板资源与父树一致。
确保全局的UBehaviorTreeManager可用。
确认发起节点的父节点是否允许push新子树，如SimpleParallel节点限制。
树的加载
检查通过后，进入资源加载阶段，首先尝试从缓存获取数据，避免重复加载。缓存和数据初始化
加载行为树资源，如果缓存中有匹配的模板，直接返回。否则，创建新模板并计算节点初始化信息，包括内存需求和执行顺序。执行树的初始化
加载完成后，进一步在UBehaviorTreeComponent::PushInstance中初始化FBehaviorTreeInstance和FBehaviorTreeInstanceId，设置内存偏移，填充数组，然后将新实例入栈并标记为活跃。行为树的执行
最后，执行新树，从根节点的service开始，然后执行根节点，进入下一轮迭代。后续的节点执行细节将作为下一部分内容。极智AI | Colossal-AI高效异构内存管理系统
Colossal-AI高效异构内存管理系统旨在解决大模型训练中遇到的内存挑战。通过合理利用CPU内存和SSD硬盘，以及在GPU之间灵活转移数据，系统可以有效提升模型训练的效率和规模。
在数据并行训练场景下，传统做法直接在每个GPU上加载数据，导致内存冗余问题。微软的Deepspeed通过将其模型参数、梯度和优化器状态切分存储在不同GPU上，解决了内存浪费问题。此外，Deepspeed还支持模型参数卸载到CPU和NVMe硬盘，进一步提高GPU内存利用率，支持更大模型的训练。
ZeRO (Zero Redundancy Optimizer)是Deepspeed提出的异构内存管理解决方案，通过动态卸载数据到CPU或硬盘，消除内存冗余。然而，静态的内存管理策略在不同训练阶段可能产生内存浪费，限制了其效能。
Colossal-AI的Gemini内存管理系统采用基于块的内存管理策略，通过块机制优化张量移动。Gemini使用有限状态机来管理张量生命周期，根据算子执行前和后进行内存操作，实现动态内存管理。此外，Gemini通过最佳页面替换算法（如OPT）减少内存移动量，确保内存资源高效利用。
在数据块切分上，Gemini采用了对称切分方案，允许所有GPU进行数据移动，充分利用PCIE带宽，提高GPU与CPU间数据传输速度。同时，内存空间重用技术在不同时间节点之间共享同一块内存空间，进一步支持大规模训练。
通过Colossal-AI的Gemini内存管理系统，模型训练效率显著提升，可以充分利用GPU、CPU及硬盘资源，实现更大规模模型的高效训练。代码示例展示了如何在实际项目中应用Colossal-AI，提供了一个简单而强大的框架，使得AI项目更易于实施和管理。
加入知识星球「极智视界」，获取更多AI项目源码下载，畅享人工智能的科技魅力，让好玩的AI项目不再难玩。在这里，你将获得大量精心整备的AI项目，涵盖人脸、检测、分割、多模态、AIGC、自动驾驶、工业等领域，持续更新更多有趣项目。
可免费使用NovelAI的资源指路（本地版，云端版）
NovelAI源码泄露后，大佬们已提供成熟使用方法。下载G资源，包含多个模型，选择一个适用即可。
本地版推荐使用以下教程安装：AI绘画再次进化！novelai真官网版本解压即用 无需下载！这次1分钟内不用学也能会用 bilibili.com/video/BV1E...
官网版本，一键使用。链接在视频简介，提取码需关注大佬后在私信里得到。
云端版推荐此网站：ai.nya.la/stories（此网站已失效，一键搭建云端版请点击： 靠谱的赳晨：一键搭建NovelAI云端版（使用colab免费服务））。
直接点Sign In 登录，点击Image Generation开始生成图像。如出现“太多请求正在处理，请稍后再试”提示，继续点击Generate，直至无法点击，然后稍等。
本月日（周日）云端版服务即将停止，建议抓紧使用。搭建教程请参考： telegra.ph/NovelAI-%E5%...
历史版本使用方法，建议自行搜索了解。
