【安装教程】Windows10/11安装detectron2教程
由于Facebook的detectron2没有对windows平台做官方支持，所以在安装的时候发生了很多问题，于是有了这篇问题记录的贴子。截至2022.11.28GitHub上detectron2的版本为0.6。如果文章对你有帮助请给我一个小小的赞。
YOLOv5输出端损失函数
YOLOv5输出端
使用YOLOv5训练自己的数据集
使用YOLOv5训练自己的数据集
（pytorch）LSTM自编码器在西储数据的异常检测
别睡啦，起来搞学习！学pytorch！
基于Pytorch实现的声音分类
前言本章我们来介绍如何使用Pytorch训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。源码地址：https://github.com/yeyupiaoling/AudioClassification-Pytor
最新CUDA环境配置教程(ubuntu 20.04 + cuda 11.7 + cuDNN 8.4)
ubuntu 20.04 CUDA 11.7 cuDNN 8.4 环境配置教程 ubuntu 20.04 CUDA 11.7 cuDNN 8.4 环境配置教程1.查看是否有合适的GPU2.查看系统版本,我用的是ubuntu 20.04:3.验证系统GCC版本:4.通过下面的地址下载安装包:这里奉劝各
Anaconda更改虚拟环境安装路径+创建虚拟环境
Anaconda更改虚拟环境安装路径+创建虚拟环境
基于AI分词模型，构建一个简陋的Web应用
内容纯属个人经验，若有不当或错误之处，还请见谅，欢迎指出。文中大致介绍了，如何快捷地使用PaddleHub服务化部署一个简单的AI模型，并简单包装成一个Web应用的过程。主要工具Flask（python的Web框架）PaddleHub（飞桨的预训练模型库）
数据包络分析（超效率-SBM模型）附python代码
超效率-SBM模型超效率SBMpython代码（部分）这段时间差不多忙完了，终于有时间可以来经营我的博客了。上阵子挺多人私信我，原谅我记性不好，可能没有回复全。这篇文章是超效率的扩展。超效率SBMSBM本身就是非径向模型（non-radial model),想要了解径向超效率的请自行去前面翻阅。上篇
利用yolov5进行目标检测，并将检测到的目标裁剪出来
写在前面：关于yolov5的调试运行在这里不做过多赘述，有关yolov5的调试运行请看：本文章主要讲解的是裁剪。需求：识别图片中的人物并将其裁剪出来如果只需识别人物的话，那么只需在yolov5中设定参数即可，例如使用命令行运行时：即为将参数设置为只识别人。此外需要将检测到的目标裁剪出来还需要目标的中
【swinUnet官方代码测试自己的数据集（已训练完毕）】
swinUnet官方代码测试自己的数据集
语音识别（利用python将语音转化为文字）
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、申请讯飞语音端口1.点击链接进入讯飞平台主页面2.在页面注册自己的个人账户3.申请语音端口4.查看自己的端口编码二、python代码讲解1.引入库2.读入数据总结前言本篇博客讲述利用讯飞端口将语音转化为文字。一、申请讯飞
复现开源论文代码总结
复现开源论文代码总结
Anaconda与python对应版本的对照
Anaconda、Python、pycharm
如何通过 Python 与 ChatGPT 对话
ChatGPT 是 GPT-3 语言模型的变体，专为会话语言生成而设计。要在 Python 中使用 ChatGPT，您需要安装OpenAI API客户端并获取 API 密钥。当前提你需要知道如何获取一个openAI账号，访问：在本文中，我们将设置一个简单的示例，教您在 Python 程序中使用 Ch
Faster RCNN训练自己的数据集【傻瓜式教程】
Faster RCNN训练自己的数据集【傻瓜式教程】
DeepSpeed使用指南(简略版)
Zero Redundancy Optimizer (ZeRO)是DeepSpeed的workhorse. 用户可以提供不同的ZeRO config文件，来实现DeepSpeed的不同功能特性。来看一下官网教程对ZeRO的描述：一句话总结：，划分而不是复制。即，传统的深度学习，模型训练并行，是将模型
YOLOv5 6.0/6.1结合ASFF
YOLO小白纯干货分享！！！YOLOv5 6.0/6.1结合ASFF。本人在多个数据集上做了大量实验，针对不同的数据集效果不同，需要大家进行实验。有效果有提升的情况占大多数。最后，希望能互粉一下，做个朋友，一起学习交流。
【python入门】鸡兔同笼问题
题目：请编一个程序，用户在同一行内输入两个整数，代表头和脚的数量，编程计算笼中各有多少只鸡和兔，假设鸡和兔都正常，无残疾。如无解则输出Data Error!
XGBoost模型调参：GridSearchCV方法网格搜索优化参数
GridSearchCV是XGBoost模型最常用的调参方法。本文主要介绍了如何使用GridSearchCV寻找XGBoost的最优参数，有完整的代码和数据文件。文中详细介绍了GridSearchCV的工作原理，param_grid等常用参数；常见的learning_rate和max_depth等可
