吴恩达 - 机器学习课程笔记（持续更新）
吴恩达机器学习
openCV实践项目：拖拽虚拟方块
openCV实践项目：拖拽虚拟方块
计算两幅图像的相似度（PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash）& 代码实现 与举例
计算两幅图像的相似度（PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash）& 代码实现 与举例。计算两幅图MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。公式表示为：对于两个m×n的单通道图像I和K，它们的均方误差可定义为：优点：MSE的函数曲线光滑、连续，处处可导，便
PyTorch环境搭建
Pytorch是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。 PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。
Windows10系统CUDA和CUDNN安装教程
Windows10系统下安装CUDA和CUDNN保姆级教程
猿创征文｜【深度学习前沿应用】文本生成
【自然语言处理（NLP）】文本生成，基于百度飞桨开发，参考于《机器学习实践》所作。
【机器学习入门项目10例目录】项目详解 + 数据集 + 完整源码
本专栏整理了《机器学习入门项目10例》，内包含了各种不同的入门级机器学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
【机器学习项目实战10例目录】项目详解 + 数据集 + 完整源码
本专栏整理了《机器学习项目实战10例》，内包含了各种不同的入门级机器学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
anaconda完全卸载方法
由于自己的anaconda版本太老了一直没更新，想更新一下，但未更新成功，于是想要重新卸载安装，本次卸载总结了他人方法，现归纳出一套本人亲测可行的完全卸载方法。# 进入命令行模式记住这里一定要打开anaconda的命令行模式，并用管理员身份进入。# 删除虚拟环境使用以下命令查询已建的虚拟环境，bas
Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
将原本的的上采样方式替换为转置卷积；有人通过实验证明了确实涨点，但是我在VOC数据集上测试并没有涨点，大概掉了不到1点。
YOLO V7源码解析
YOLO v7参数与YOLO v5差不多，我就直接将YOLO v5命令行参数搬过来了，偷个懒。
最适合入门的100个深度学习实战项目
本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
Transformer时间序列预测
Transformer时间序列预测
损失函数 | BCE Loss（Binary CrossEntropy Loss）
BCE（Binary CrossEntropy）损失函数图像二分类问题--->多标签分类Sigmoid和Softmax的本质及其相应的损失函数和任务多标签分类任务的损失函数BCEPytorch的BCE代码和示例总结图像二分类问题—>多标签分类二分类是每个AI初学者接触的问题，例如猫狗分类
改进YOLO：YOLOv5结合swin transformer
yolov5改进，添加swing transformer
【通信原理】揭开傅里叶级数与傅里叶变换的神秘面纱
傅里叶变换和傅里叶级数是有史以来最伟大的数学发现之一。它们可以帮助我们将函数分解成其基本成分。它们揭示了任何数学函数的基本模块，但是傅里叶分析的公式对于连高数中sin2x的积分都不熟悉的工科白菜来说简直就是连多看它一样的勇气都没有，我想这就是为什么复杂的傅里叶分析成为大学中通信专业的疑难杂症的主要原
现在ChatGPT可以使用谷歌插件进行快速交互访问了！
现在ChatGPT可以使用谷歌插件进行快速交互访问了！
yolov5源码解析(9)--输出
本文章基于yolov5-6.2版本。主要讲解的是yolov5是怎么在最终的特征图上得出物体边框、置信度、物体分类的。
利用opencv带你玩转人脸识别-下篇（人脸录入，数据训练，人脸识别小案例快速入门）
🐚作者简介：苏凉（专注于网络爬虫，数据分析）🐳博客主页：苏凉.py的博客🌐系列专栏：python-opencv快速入门👑名言警句：海阔凭鱼跃，天高任鸟飞。📰要是觉得博主文章写的不错的话，还望大家三连支持一下呀！！！👉关注✨点赞👍收藏📂文章目录前言人脸信息录入保存（动图演示）数据训练1
常用的优化器合集
总结了常用的优化器（SGD、Adagrad、Adadelta、RMSprop、Adam、Adamax、Nadam等等。），其中包括梯度下降法、动量优化法和自适应学习率优化算法三种，分别从原理、公式、优缺点以及pytorch及tensorflow2的官方代码展示这几个方面进行演示，最后可视化对比了各个
