大海

Torchvision在v0.11版本升级了许多内容，其中包括最新训练的基准模型，通过加入许多新的训练配置，极大的提高了原有的模型性能，比如将ResNet50从原来的76.130/92.862提升到80.858/95.434。这篇博文详细介绍了优化的过程 - How to Train State-Of-The-Art Models Using TorchVision’s Latest Primitives

记录一些瑞芯微电子畅销的主板信息

偶然间发现了一个基于Flask部署的图像搜索引擎工程 - matsui528/sis。具体实现很简单，Kares+Flask的架构。我在它的基础上进行了改造，使用Pytorch+Flask+Docker进行部署：zjykzj/sis

最近在知乎上看到一个问答：算法工程师的核心竞争力是什么？。很多热心网友提供了自己的见解，各种答案都有，其中有一个名叫逻辑大师的童鞋给出了一个非常精彩的回答。它和我近一年的体会非常接近，所以写下这篇文章，整理一下他的看法以及我的体会。

关于图像检索任务的Recall@K计算，存在多种解释，汇总一下

原文地址：Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning

官方实现：msight-tech/research-ms-loss

原文地址：Learning with Average Precision: Training Image Retrieval with a Listwise Loss

官方实现：

• DEEP IMAGE RETRIEVAL
• naver/deep-image-retrieval

原文地址：Combination of Multiple Global Descriptors for Image Retrieval

官方实现：naver/cgd

原文地址：MultiGrain: a unified image embedding for classes and instances

官方实现：facebookresearch/multigrain

随着产品的发展，会出现越来越多的工作。大大小小的事情出现在我面前的时候，总是表现的措不及防：事情好多啊 ～干不完啊啊啊～～～

偶然间听到开发部老大在和其他小伙伴讨论的时候提到任务和排期，突然茅塞顿开：再多的事情 只要规划好 一步一步来就可以啊。