RepVGG论文详解以及使用Pytorch进行模型复现
RepVGG 是2021 CVPR的一篇论文，在本文中首先介绍了他如何过河拆桥，白嫖了多分枝架构的性能，然后再使用Pytorch复现RepVGG模型，告诉你如何进行白嫖的操作。
PyTorch 结构重参数化 RepVGGBlock
近年来，卷积神经网络的结构已经变得越来越复杂；得益于多分支结构良好的收敛能力，多分支结构越来越流行但是，使用多分支结构的时候，一方面无法有效地利用并行加速，另一方面增加了MAC为了使简单结构也能达到与多分支结构相当的精度，在训练RepVGG时使用多分支结构(3×3卷积+1×1卷积+恒等映射)，以借助
2022搜狐校园NLP算法大赛情感分析第一名方案理解和复现
2022搜狐校园NLP算法大赛情感分析第一名方案理解，代码复现和效果对比
史上最详细人脸检测libfacedetection讲解---第一节
以下是关于我个人对libfacedetection（人脸检测-pytorch）的所有见解，如有错误欢迎大家在评论区指出，我将会第一时间纠正。据说，人脸检测速度可以达到1000FPS，到底结果如何，我们来一探究竟。
PyTorch 梯度加权类激活映射 Grad-CAM
Grad-CAM 全称 Gradient-weighted Class Activation Mapping，用于卷积神经网络的可视化，甚至可以用于语义分割不过我是主要研究目标检测的，在看论文的时候就没有过多地看语义分割的部分Grad-CAM 的前身是 CAM，CAM 的基本的思想是求分类网络某一
用YOLOv5ds训练自己的数据集，注意点！
YOLOv5ds训练以及预测过程的问题解决。目前检测和分割都可以进行预测！
Pytorch入门实战（6）：基于GAN生成简单的动漫人物头像
Pytorch入门实战（6）：基于GAN生成简单的动漫人物头像
基于双语数据集搭建seq2seq模型
基于英-法数据集搭建无注意力机制的seq2seq模型
基于GAN的时序缺失数据填补前言（1）——RNN介绍及pytorch代码实现
本专栏将主要介绍基于GAN的时序缺失数据填补。提起时序数据，就离不开一个神经网络——循环神经网络（Recurrent Neural Network, RNN）。RNN是一类用于处理序列数据的神经网络。RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息。因为在介绍时序缺失数据填补，就离不开R
Linux下使用Anaconda安装 Pytorch（GPU）各个版本（万无一失），不会出现问题，经历各种踩坑的总结
（1）按照自己的环境选择，但是没有自己想要的版本。（2）修改安装命令里的版本号不是安装出错就是运行出错。（3）安装上之后用进入python环境，导入torch模块，之后输入命令输出安装torch的cuda版本没有反应，因为使用命令装上的是CPU版本的或者装的torch缺失cuda.（3）pytorc
深入浅出PyTorch中的nn.CrossEntropyLoss
PyTorch中的交叉熵详解
PyTorch 卷积网络正则化 DropBlock
论文地址：https://arxiv.org/pdf/1810.12890.pdfDropBlock 是一种类似于 dropout 的简单方法，它与 dropout 的主要区别在于，它从层的特征图中抹除连续区域，而不是抹除独立的随机单元类似地，DropBlock 通过随机地置零网络的响应，实现了通道
PyTorch中repeat、tile与repeat_interleave的区别
PyTorch中repeat、tile与repeat_interleave的区别
丢弃法Dropout(Pytorch)
介绍了dropout（丢弃法），以及PyTorch的从零实现和调API实现
权重衰退（PyTorch）
权重衰退和正则项的影响本质以及Pytorch的代码实现
GPU启用及Pytorch/Cuda安装
最近在跑神经网络，用CPU跑实在是太慢了，于是决定探究一下怎么用GPU跑，配置GPU环境的过程异常艰辛，为此还阅读几十篇CSDN+知乎优秀博主的优质论文，最后终于整出来了，现在我总结一下就当做个备忘录吧。以下内容引用了很多博主的博客内容，如有侵权，立刻删除。.........
Pytorch（二） —— 激活函数、损失函数及其梯度
δ(x)=11+e−xδ′(x)=δ(1−δ)\delta(x)=\frac{1}{1+e^{-x}}\\\delta'(x)=\delta(1-\delta)δ(x)=1+e−x1δ′(x)=δ(1−δ)tanh(x)=ex−e−xex+e−x∂tanh(x)∂x=1−tanh2(x)tanh(
时间序列预测系列文章总结（代码使用方法）
时间序列预测系列文章总结（代码使用方法）
深入理解PyTorch中的nn.Embedding
深入理解nn.Embedding模块
