图像处理——图像增强
最近在忙着两个YOLOv7项目，通过看大量的论文，发现很多的相关的论文都会在收集图像后进行图像的增强，本文将使用python中的opencv模块实现常见的图像增强方法。 由于光照角度和天气等不确定因素，导致图像采集的光环境极其复杂；为了提高目标检测模型的泛化能力，本文采用了几种图像增强方法
机器学习中的数学原理——精确率与召回率
详解精确率和召回率，通过这篇博客，你将清晰的明白什么是精确率、召回率。这个专栏名为白话机器学习中数学学习笔记，主要是用来分享一下我在 机器学习中的学习笔记及一些感悟，也希望对你的学习有帮助哦！感兴趣的小伙伴欢迎私信或者评论区留言！这一篇就更新一下《 白话机器学习中的数学——精确率与召回率》
机器学习强基计划0-4：通俗理解奥卡姆剃刀与没有免费午餐定理
脱离具体应用场景空谈学习算法的优劣毫无意义，这就是机器学习视角下的“天下没有免费午餐”定理”。本文详细总结机器学习领域的若干重要指导思想，为机器学习领域的探索建立理论指导
BP神经网络的诊断分类（初学者+matlab代码实现）
初学者推荐，bp神经网络的实现
Grad-CAM源码保姆级讲解（pytorch）
Grad-CAM源码保姆级详解。
3DCNN概述及3DCNN与2DCNN的区别
对3DCNN有关知识进行了解和梳理。这篇博客主要介绍了3DCNN的概念、3DCNN工作原理以及3DCNN与2DCNN的区别。
【深度学习】模型过拟合的原因以及解决办法
不要过度训练，提前结束训练early-stopping：训练时间足够长，模型就会把一些噪声隐含的规律学习到，这个时候降低模型的性能是显而易见的。第3组模型过拟合：模型复杂度过高，抽象出的数学公式非常复杂，很完美的拟合训练集的每个数据，但过度强调拟合原始数据。第1组模型欠拟合：模型复杂度过低，抽象出的
深度学习可视化工具visdom使用
#11.1 vidsom介绍visdom的github主页：https://github.com/fossasia/visdomvisdom中文文档参考：https://ptorch.com/news/77.htmlVisdom是一个灵活的工具，用于创建，组织和共享实时丰富数据的可视化，支持：Tor
【光流估计】无监督学习的LOSS
无监督光流估计中损失函数的相关内容与个人理解
惯性导航定位技术
惯性导航系统是一种不依赖于外部信息，也不向外部辐射能量的自主式导航系统[15]。其主要由惯性测量单元、信号预处理和机械力学编排3个模块组成，如图3-7所示。一个惯性测量单元包括3个相互正交的单轴加速度计(Accelerometer)和3个相互正交的单轴陀螺仪(Gyroscopes)。惯性测量单元结构
多智能体强化学习—QMIX
多智能体强化学习—QMIX论文地址：https://arxiv.org/pdf/1803.11485.pdf1 介绍 首先介绍一下VDN（value decomposition networks）顾名思义，VDN是一种价值分解的网络，采用对每个智能体的值函数进行整合，得到一个联合动作值函数。为了简
【图像生成Metrics】快速计算FID、KID、IS、PPL
【图像生成Metrics】快速计算FID、KID、ISC、PPL
ConvNeXt-教你如何改模型
ConvNeXt的出现证明，并不一定需要Transformer那么复杂的结构，只对原有CNN的技术和参数优化也能达到SOTA，未来CV领域，CNN和Transformer谁主沉浮？太阳花的小绿豆。
YOLOv7训练记录——权重使用问题
YOLOv7于2022.07发布，一经发布，很多人应该有共同的想法——v7的效果是否和论文一致？v7的效果跟v5相比如何?此贴记录自己YOLOv7的训练过程。
看这篇就够了——opencv与libopencv与cv_bridge的安装与使用
一般情况如果自动安装opencv3，那就手动安装一个opencv4.自动安装opencv4，就手动安装opencv3.同系的opencv一般虽然会显示冲突，但是能够编译通过的。现在opencv解决了，但由于你手动安装的opencv版本和cv_bridge是不一样，cv_bridge版本默认和libo
AI实战：用Transformer建立数值时间序列预测模型开源代码汇总
Transformer做数值时间序列预测
Anaconda安装github上下载的包或者本地包
一 将github上下载的包，解压后 放入anaconda路径下的site-pakages文件夹下我下载的文件名是nda-tools-master我的路径是F:\anaconda_set\envs\tensorflow2\Lib\site-packages\如果anaconda包含Tensorflo
ChatGPT 3 与 ChatGPT 4：比较分析
OpenAI 于 2020 年发布的ChatGPT 3改变了 AI 世界的游戏规则。它在理解和生成类人文本方面表现出了非凡的能力。然而，随着研究的继续，ChatGPT 4的开发是为了解决其局限性并改进其前身的性能。让我们比较一下这些模型的主要区别和增强功能。
Pytorch学习笔记（3）：图像的预处理（transforms）
Pytorch学习笔记（3）：图像的预处理（transforms）
Python+chatGPT编程5分钟快速上手，强烈推荐！！！
通俗易懂，教你快速掌握chatGPT！
