一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
YOLOv5 + StrongSORT with OSNet
YOLOv5 + StrongSORT with OSNet：YOLOv5检测器 + StrongSORT跟踪算法 + OSNet行人重识别模型
transformer学习笔记：Positional Encoding（位置编码）
对于任何一门语言，单词在句子中的位置以及排列顺序是非常重要的，它们不仅是一个句子的语法结构的组成部分，更是表达语义的重要概念。
【翻译】为深度学习购买哪种GPU: 我在深度学习中使用GPU的经验和建议
这篇博文的结构如下。首先，我将解释是什么让GPU变得快速。我将讨论CPU与GPU、Tensor Cores、内存带宽和GPU的内存层次，以及这些与深度学习性能的关系。这些解释可能会帮助你对在GPU中寻找什么有一个更直观的感觉。我讨论了新的NVIDIA RTX 40安培GPU系列的独特功能，如果你购买
让PyTorch训练速度更快，你需要掌握这17种方法
与传统的学习率 schedule 相比，在最好的情况下，该 schedule 实现了巨大的加速（Smith 称之为超级收敛）。然后，这个周期的长度应该略小于总的 epochs 数，并且，在训练的最后阶段，我们应该允许学习率比最小值小几个数量级。一个比较好用的经验是，batch 大小加倍时，学习率也要
【yolov5s中加入DCNv2（可变形卷积v2）】
在yolov5s中加入DCNv2进行实验
yolov5 +cuda10.2 +gpu环境搭建 （详细版本）
YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；基准网络：融合其它检测算法中的一些新思路，
一文看懂膨胀（空洞）卷积（含代码）
详细说明了膨胀卷积（空洞卷积）的背景，特点，特点解释，计算，优缺点，代码
精确控制 AI 图像生成的破冰方案，ControlNet 和 T2I-Adapter
ControlNet 和 T2I-Adapter 的突破性在哪里？有什么区别？其它为 T2I 扩散模型施加条件引导的相关研究ControlNet 和 T2I-Adapter 的实际应用效果如何？使用体验上，跟 SD原生支持的 img2img 有什么区别？ControlNet 在插画创作上的潜力多种条
神经网络数据增强transforms的相关操作（持续更新）
transforms的相关操作（Pytorch）一、图像的相关变化1、格式转换（1）transforms.ToTensor()（2）transforms.ToPILImage()1、图像大小（1）一、图像的相关变化1、格式转换（1）transforms.ToTensor()可将PIL格式、数组格式转
Transformer框架时间序列模型Informer内容与代码解读
Transformer框架时间序列模型Informer内容与代码解读。详细介绍概括了顶会论文AAAI‘21 Best Paper的核心内容。
ubuntu 18.04 从零开始复现 OpenPCDet 训练kitti数据集并评估 可视化 损失函数
ubuntu 18.04 多版本cuda 复现OpenPCDet 实现训练、评估、可视化以及损失函数的查看
深度学习基础之正向传播与反向传播
因为这学期上了一门深度学习的课，老师上课推公式，写密密麻麻一黑板，看也看不清，讲完擦了之后说这推导如果考试必考，人都傻了，只能回过头来看她课件理解理解了。以下都是以计算图为例。
Python基于改进YOLOv5的烟叶病害检测系统（附带源码）
Python基于改进YOLOv5的烟叶病害检测系统（附带源码）Python、Anacanda、Pycharm、CUDA和cuDNN等基础的环境安装部署可以参考博主的B站视频教程[2022手把手教学版]Python＆Anacanda＆Pycharm安装，虚拟环境配置[CUDA＆cuDNN]炼丹师手把手
深度学习参数初始化（二）Kaiming初始化 含代码
Xavier初始化在ReLU层表现不好，主要原因是relu层会将负数映射到0，影响整体方差。而且Xavier初始化方法适用的激活函数有限：要求关于0对称；线性。而ReLU激活函数并不满足这些条件，实验也可以验证Xavier初始化确实不适用于ReLU激活函数。所以何恺明在对此做了改进，提出Kaimin
Hugging face预训练模型下载和使用
Hugging face预训练模型下载和使用
Sequential模型、Flatten层、Dense层
顺序模型核心操作是添加layers,有两种方法第一种:通过add()添加第二种;直接添加选择优化器（如rmsprop或adagrad）并指定损失函数（如categorical_crossentropy）来指定反向传播的计算方法调用fit函数将数据提供给模型。这里还可以指定批次大小（batch siz
PyTorch学习笔记（六）模型定义
PyTorch模型定义的方式，使用模型块快速搭建复杂网络与PyTorch修改模型。
保姆级官方yolov7的训练自己的数据集以及项目部署
保姆级官方yolov7训练自己数据集的教学，并且可以直接嵌入到项目开发中用于检测
