图像处理中常见的几种插值方法：最近邻插值、双线性插值、双三次插值（附Pytorch测试代码）
在学习可变形卷积时，因为学习到的位移量Δpn可能是小数，因此作者采用双线性插值算法确定卷积操作最终采样的位置。通过插值算法我们可以根据现有已知的数据估计未知位置的数据，并且可以利用这种方法对图像进行缩放、旋转以及几何校正等任务。此处我通过这篇文章学习总结常见的三种插值方法，包括最近邻插值、双线性插值
使用PyTorch和Flower 进行联邦学习
本文将介绍如何使用 Flower 构建现有机器学习工作的联邦学习版本。我们将使用 PyTorch 在 CIFAR-10 数据集上训练卷积神经网络，然后将展示如何修改训练代码以联邦的方式运行训练。
足够惊艳，使用Alpaca-Lora基于LLaMA(7B)二十分钟完成微调，效果比肩斯坦福羊驼
从上面可以看到，在一台8卡的A800服务器上面，基于Alpaca-Lora针对指令数据大概20分钟左右即可完成参数高效微调，相对于斯坦福羊驼训练速度显著提升。参考文档LLaMA：斯坦福-羊驼。
GAM注意力机制
GAM解析，使用Pytorch实现GAM attention
图像融合、Transformer、扩散模型
包大人说：“图像融合遇见Transformer，还是Transformer遇见图像融合？哪个更为贴切？”元芳回答：‘’都合适。‘’
【数据挖掘】期末复习题库集
【数据挖掘】期末复习题库集
【深度学习】——循环神经网络RNN及实例气温预测、单层lstm股票预测
密集连接网络和卷积神经网络都有主要的特点，那就是它们没有记忆。它们单独处理每个输入，在输入和输入之间没有保存任何状态。举个例子：当你在阅读一个句子的时候，你需要记住之前的内容，我们才能动态的了解这个句子想表达的含义。生物智能已渐进的方式处理信息，同时保存一个关于所处理内容的内部模型，此模型是根据过去
IDDPM官方gituhb项目--训练
IDDPM官方gituhb项目--训练
【YOLO】YOLOv8实操：环境配置/自定义数据集准备/模型训练/预测
yolov8实操
斯坦福大学开源Alpaca模型源码，性能与GPT-3.5相当比GPT4逊色，训练成本不到100美元（教程含源码）
GPT-3.5 (text-davinci-003)、ChatGPT、Claude 和 Bing Chat 等指令遵循模型现在被许多用户广泛使用，包括用于与工作相关的任务。然而，尽管它们越来越受欢迎，但这些模型仍然存在许多需要解决的缺陷。虚假信息、社会刻板印象和有毒语言是与这些模型相关的一些问题。为
Tiny ImageNet 数据集分享
Tiny Image Net 数据集分享
【使用Pytorch实现ResNet网络模型：ResNet50、ResNet101和ResNet152】
在深度学习和计算机视觉领域取得了一系列突破。尤其是随着非常深的卷积神经网络的引入，这些模型有助于在图像识别和图像分类等问题上取得最先进的结果。因此，多年来，深度学习架构变得越来越深（添加更多层）以解决越来越复杂的任务，这也有助于提高分类和识别任务的性能并使其变得健壮。但是当我们继续向神经网络添加更多
基于深度学习的车型识别系统（Python+清新界面+数据集）
基于深度学习的车型识别系统用于识别不同类型的车辆，应用YOLO V5算法根据不同尺寸大小区分和检测车辆，并统计各类型数量以辅助智能交通管理。本文详细介绍车型识别系统，在介绍算法原理的同时，给出Python的实现代码以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别；可对图像中存在的多
图像修复（Image Inpainting）任务中常用的掩码数据集
目前图像修复任务中最长用的数据集是来自于 Liu 等人2018年发布的论文， 该论文中提出用部分卷积解决inpainting的任务的同时，也公布了一个大型的mask数据集，该数据集在之后的 Inpainting 任务中被大量使用。作者对mask的孔洞大小进行了分类。每个种类有孔洞靠近边界的mask和
Pytorch 2.0来了！来看看新特性怎么应用到自己的代码里
Pytorch2.0和GPT4、文心一言同一时间段发布，可谓是热闹至极，我看了看Pytorch 2.0的文档，一句话概括下，2.0的功能介绍，核心就是加入这行代码就能优化你的模型，优化后的模型和往常使用方式一样，推理速度会提升，比较重要的一点是，可以用于训练或者部署，训练可以传梯度，这次是带有AOT
基于深度学习方法的车道线检测综述(2022)
车道线算法综述，一问入门车道线检测算法。
论文学习——Tune-A-Video
通过文本生成视频的深度学习方法
手把手带你调参Yolo v5（二）
这次主要解析源码中train.py文件中包含的参数。
论文推荐：基于联合损失函数的多任务肿瘤分割
以FFANet为主干，加入分类的分支，将模型扩展为多任务图像分割框架，设计了用于分类和分割的联合损失函数。
【深度学习】ResNet网络详解
ResNet
