深度学习：可视化方法（模型可视化，训练过程可视化，特征提取可视化）
深度学习可视化，pytorch（tensorboard/netron）
【Unet系列】（三）Unet++网络
Unet++主要是探索encoder和decoder需要多大的问题，以此为基础，提出了融合不同尺寸Unet结构的网络。创新点就是把不同尺寸的Uent结构融入到了一个网络里。
stable-diffusion-webui教程（AI绘画真人教程）
stable-diffusion-webui教程（AI绘画真人教程）
【ROS2 入门】虚拟机环境 ubuntu 18.04 ROS2 安装
介绍 ROS2 eloquent版本在虚拟机 ubuntu18.03 环境下安装和简单测试。
成为AI架构师的三大能力
AI架构师应该具备把AI技术高效落地业务应用的能力，具体而言，对应三个基本能力:第一，AI架构师要对AI技术和开发应用流程有整体掌握能力第二，AI架构师要对上层 业务有充分的理解，有很好的技术抽象能力和技术判 断力第三，AI架构师要能设计并实现高效合理的AI落地方案
Opencv学习之：将图片的值进行范围调整 cv2.normalize()
cv2.normalize()指定将图片的值放缩到 0-255 之间array = cv2.normalize(array,None,0,255,cv2.NORM_MINMAX)cv2.NORM_MINMAX ：使用的放缩方式是 min_max 的方式其对应的原理是：x^=x−minmax−min∗
用Pytorch搭建一个房价预测模型
在此项目中，目的是预测爱荷华州Ames的房价，给定81个特征，描述了房子、面积、土地、基础设施、公共设施等。埃姆斯数据集具有分类和连续特征的良好组合，大小适中，也许最重要的是，它不像其他类似的数据集（如波士顿住房）那样存在潜在的红线或数据输入问题。在这里我将主要讨论PyTorch建模的相关方面，作为
基于OpenVINO在C++中部署YOLOv5-Seg实例分割模型
YOLOv5兼具速度和精度，工程化做的特别好，Git clone到本地即可在自己的数据集上实现目标检测任务的训练和推理，在产业界中应用广泛。开源社区对YOLOv5支持实例分割的呼声高涨，YOLOv5在v7.0中正式官宣支持实例分割。
YOLOV5-网络结构和组件介绍
总的来说在基本网络结构中，会对CSP网络的参数进行确定，而我们将用公式吧参数和给出的深度，宽度参数进行计算，从而算出残差次数的使用次数，也就控制了深度。采用上，下采样灵活的构造特征金字塔。在Yolov5中也是通过这样的方式 ，当时Yolov5采用了一个更好的方式，可以使得加灰边的大小尽可能的小，可以
神经网络中的常用算法-BN算法
但是当一张图片输入到神经网络经过卷积计算之后，这个分布就不会满足刚才经过image normalization操作之后的分布了，可能适应了新的数据分布规律，这个时候将数据接入激活函数中，很可能一些新的数据会落入激活函数的饱和区，导致神经网络训练的梯度消失，如下图所示当feature map的数据为1
从GPT到chatGPT（一）：GPT1
GPT1，出自于OpenAI的论文，是最早的将transformer以多层堆叠的方式构成语言模型的模型，其出现时间早于BERT，但二者有一个最大的区别在于BERT只用的是transformer的encoder层，而GPT1只用了transformer的decoder层。除此以外二者在目标函数等地方也
ChatGPT简要解读(三) - ChatGPT发展历程及模型训练机制
本文主要围绕 ChatGPT发展历程及模型训练机制进行简要阐述。
Pytorch 05-进阶训练技巧
PyTorch在torch.nn模块为我们提供了许多常用的损失函数，比如：MSELoss，L1Loss，BCELoss...... 但是随着深度学习的发展，出现了越来越多的非官方提供的Loss，比如DiceLoss，HuberLoss，SobolevLoss...... 这些Loss Functio
【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
由于医学影像界缺乏高质量标注，半监督学习方法在图像语义分割任务中受到高度重视。为了充分利用视觉转换器(ViT)和卷积神经网络(CNN)在半监督学习中的强大功能，本文提出了一种基于一致性感知伪标签的自集成方法。我们提出的框架包括一个由ViT和CNN相互增强的特征学习模块，以及一个用于一致性感知目的的健
机器学习中的数学——距离定义（一）：欧几里得距离（Euclidean Distance）
欧几里得距离或欧几里得度量是欧几里得空间中两点间的即直线距离。使用这个距离，欧氏空间成为度量空间，相关联的范数称为欧几里得范数。nnn维空间中的欧几里得距离：d(x,y)=∑i=1n(xi−yi)2=(x1−y1)2+(x2−y2)2+⋯+(xn−yn)2d(x, y)=\sqrt{\sum_{i=
YOLOX改进之损失函数修改（上）
文章内容：如何在YOLOX官网代码中修改置信度预测损失环境：pytorch1.8损失函数修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解Y
百度飞桨表格识别网络SLANET学习笔迹
百度飞桨表格识别网络SLANet网络结构解析
yolov5模型原理及代码流程讲解（v6.1）
目标检测，yolov5
脑电图（EEG）信号去噪方法简述
脑电图作为目前研究最为广泛的认知大脑的方式之一，其无创性、便携性、廉价等优点都表明该方式具有巨大的发展空间。但是由于颅骨和头皮对于电信号的传输影响，从头皮采集的电信号往往混杂着非常多的噪声，并且有效信息又非常少，所以对于去处噪声的算法的要求非常高。本文将对EEG降噪的算法做作一些介绍。
学习笔记：统计建模方法的比较分析
介绍了隐马尔可夫模型 (HMM)、最大熵马尔可夫模型 (MEMM) 和条件随机场 (CRF) 的比较分析。 HMM、MEMM 和 CRF 是三种流行的统计建模方法，通常应用于模式识别和机器学习问题。
