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
CVPR 2023 | OpenGait: 步态识别开源框架介绍
如果您也对人工智能和计算机视觉全栈领域感兴趣，强烈推荐您关注有料、有趣、有爱的公众号『CVHub』，每日为大家带来精品原创、多领域、有深度的前沿科技论文解读及工业成熟解决方案！同时欢迎添加小编微信: cv_huber，备注CSDN，加入官方学术|技术|招聘交流群，一起探讨更多有趣的话题！
【深度学习】Stable Diffusion AI 绘画项目搭建详解，并运行案例
先把人家的git放过来：https://github.com/CompVis/stable-diffusion40.7k 的stars， flask 和 django 两个web框架也不过如此数量级吧。就是给一段文字，它能按照文字描述给你画画。画出来的还挺好看，是一个text-to-image di
YOLOv5图像分割中的NMS处理
在上一篇文章有讲到图像经过YOLOv5网络后得到的输出形式，主要是调用了BaseModel类下的forward得到的输出，输出的shape为【batch,25200,117】，这里的25200相当于总的anchors数量【以640*640的输入为例，共有anchors=80*80*3+40*40*3
基于图片翘曲的后门攻击WaNet源码分析
对于WaNet后门攻击测试一些基本架构源码分析
ChatGLM-6B：颠覆聊天AI的全新模型
ChatGLM-6B是一个基于GPT-3的生成式对话模型。它由清华大学的研究团队开发，旨在改进聊天机器人的生成质量和对话逻辑。ChatGLM-6B采用了全新的训练方法，通过在大规模对话数据集上进行预训练，提升了模型的生成能力和对话质量。
【已解决】探究CUDA out of memory背后原因，如何释放GPU显存？
本文探究CUDA的内存管理机制，总结RuntimeError: CUDA out of memory的背后原因，并给出解决方案
经典分类模型回顾4-Resnet实现图像分类（matlab）
ResNet（Residual Network）是由Microsoft Research团队提出的一种深度卷积神经网络结构，它在ImageNet图像分类比赛中获得了第一名的成绩。ResNet的主要特点是引入了残差块（Residual Block）的概念，使得网络可以更深，并且训练效果更好。在ResN
计算机视觉之姿态识别（原理+代码实操）
计算机视觉中的姿态识别原理+模型介绍，同时通过代码实操简单的演示基于mediapipe的单人姿态识别。
Tensorflow1 搭建Cuda11
Tensorflow1中默认支持cuda10及以下的，最高的版本Tensorflow1.15默认使用cuda10；但是一些高性能的显卡，比如A100、3090等，它们只支持Cuda11的，这就不太友善了，毕竟不少项目依赖Tensorflow1搭建的。本文整理2种方法，一种是基于Conda搭建的，一种
Pytorch对预训练好的VGG16模型进行微调
对于一个复杂的卷积神经网络来说，通常网络的层数非常大，网络的深度非常深、网络的参数非常多，单单设计一个卷积网络就需要颇费心思，何况网络还需要大量的数据集进行漫长时间的训练，若没有一个好的算力平台也很难迅速训练出模型。可见，从头到尾搭建一个中等规模的卷积神经网络对于我们来说绝非易事。幸运的是PyTor
基于PyTorch+CNN一维卷积实现短期电力负荷预测
本项目使用了一种基于一维卷积CNN短期电力负荷预测方法，该方法将历史负荷数据作为输入，将输入向量构造为时间序列形式作为 Conv1D 网络的输入，建模学习特征内部动态变化规律，最后完成短期负荷预测。
BERT模型基本理念、工作原理、配置讲解（图文解释）
BERT模型基本理念、工作原理、配置讲解（图文解释）
KL散度和交叉熵的对比介绍
KL散度（Kullback-Leibler Divergence）和交叉熵（Cross Entropy）是在机器学习中广泛使用的概念。这两者都用于比较两个概率分布之间的相似性，但在一些方面，它们也有所不同。本文将对KL散度和交叉熵的详细解释和比较。
优化器SGD、Adam和AdamW的区别和联系
优化器是用来更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，从而最小化(或最大化)损失函数。
