17届全国大学生智能汽车竞赛 中国石油大学（华东）智能视觉组 国特开源
所有开源代码已上传到我的[GitHub仓库](https://github.com/shuoshuof/17-openmv-)。 因为寒假回家，大部分的代码都在实验室主机上。所以开源的代码大部分重新编写过，没有经过上车测试。如果发现问题，请及时给我留言或者提issue。 希望我的开
【头歌平台】人工智能-深度学习初体验
神经网络中也有神经元，这些神经元也会与其他神经元相连接，这样就形成了神经网络，而且这种网络我们称之为。如下图所示():从图可以看出，神经网络由一层一层的神经元所构成的，并且不同的层有不同的名字。其中表示用来接收数据输入的一组神经元。表示用来输出的一组神经元。表示介于输入层与输出层之间的一组神经元。
pytorch实战5——DataLoader数据集制作
DataLoader数据集制作
经典文献阅读之--Orbeez-SLAM（单目稠密点云建图）
对于现在的VSLAM而言，现在越来越多的工作开始聚焦于如何将深度学习结合到VSLAM当中，而最近的这个工作就给出了一个比较合适的方法。》这篇文章，可以轻松适应新的场景，而不需要预先训练，并实时为下游任务生成密集的地图。它成功地与隐式神经表示法(NERF)和视觉里程法相结合，实现了只需要RGB输入即可
使用LM Studio在本地运行LLM完整教程
LM Studio是一个免费的桌面软件工具，它使得安装和使用开源LLM模型非常容易。
神经网络实验报告-tensorflow基础
NumPy是Python中最重要的科学计算库之一，提供了多维数组、矩阵等数值计算功能，具有良好的数据处理能力和高效的计算性能，并且拥有丰富的函数库，可以进行数据加工、处理、筛选等操作。而TensorFlow则是一个由Google开发的机器学习框架，可以用来构建和训练神经网络等深度学习模型，提供灵活的
【专栏目录】
本专栏是讲解如何改进RT-DETR的专栏。改进方法采用了最新的论文提到的方法。改进的方法包括：增加注意力机制、更换卷积、更换block、更换backbone、更换head、更换优化器等；每篇文章提供了一种到N种改进方法。评测用的数据集是我自己标注的数据集，里面包含32种飞机。每种改进方法我都做了测评
BERT+TextCNN实现医疗意图识别项目
BERT+TextCNN实现医疗意图识别项目
一种用于心音分类的轻量级1D-CNN+DWT网络
利用离散小波变换(DWT)得到的多分辨率域特征对1D-CNN模型进行心音分类训练。
2.树莓派4B 64位操作系统 从零搭建深度学习项目运行环境
树莓派的系统烧录树莓派的基础配置树莓派的开机连接树莓派的文件传输树莓派的软件安装树莓派的运行环境树莓派的系统备份测试运行现有模型。
通道信息，空间信息，通道注意力以及空间注意力
通道信息，空间信息，通道注意力以及空间注意力
使用GAN进行异常检测
GAN是一种深度学习模型，可以学习生成与给定数据集相似的真实数据样本。这一特性表明它们可以成功地用于异常检测
Pytorch学习笔记（5）：torch.nn---网络层介绍（卷积层、池化层、线性层、激活函数层）
Pytorch学习笔记（5）：torch.nn---网络层介绍（卷积层、池化层、线性层、激活函数层）
深度学习算法：探索人工智能的前沿
深度学习，作为人工智能领域的瑰宝，已经在过去的几年里引起了广泛关注。这一领域的快速发展为解决复杂的问题提供了新的工具和方法。本文将深入探讨深度学习算法的核心概念、应用领域以及未来发展趋势，以期为读者提供对这一领域的全面理解。
AutoGen多代理对话项目示例和工作流程分析
在这篇文章中，我将介绍AutoGen的多个代理的运行。这些代理将能够相互对话，协作评估股票价格，并使用AmCharts生成图表。
GAN（Generative Adversarial Nets (生成对抗网络)）
②部分，此时判别器D的输入为G(z)，为假图像，但是我们期望的是生成器的效果好，即尽可能的瞒过D，也就是期望D(G(z))尽可能大，越大表示D判定假图像为真实数据的概率越大，也就表明生成器G生成的图像效果好，可以成功的骗过D。在训练的时候，D(G(z))越大越接近于1，y越小，生成器生成的假图越被判
GPU服务器安装显卡驱动、CUDA和cuDNN
gpu服务器中容器调用显卡运算
深度学习模型组件系列二：最常用的特征提取器
深度学习模型组件的特折提取器
CLIP的升级版Alpha-CLIP：区域感知创新与精细控制
Alpha-CLIP不仅保留了CLIP的视觉识别能力，而且实现了对图像内容强调的精确控制，使其在各种下游任务中表现出色。
深度学习模型的参数、计算量和推理速度统计
在没有过拟合的情况下，相同模型结构下，一般模型的参数量和计算量与最终的性能成正比，在比较不同模型性能时，最好能保持模型参数量和计算量在相同水平下，因此相应参数的统计很重要。这里只进行理论计算，最终的效果（内存和速度）还和网络结构，代码实现方式、应用的平台性能等条件有关系，例如使用GEMM实现CNN时
