深度学习网络各种激活函数 Sigmoid、Tanh、ReLU、Leaky_ReLU、SiLU、Mish
激活函数的目的就是：梯度为0， 无法反向传播，导致参数得不到更新：随着数据的变化，梯度没有明显变化：梯度越来越大，无法收敛梯度消失问题：1、反向传播链路过长，累积后逐渐减小2、数据进入梯度饱和区如何解决：1、选正确激活函数，relu, silu2、BN 归一化数据3、 resnet 较短反向传播路径
全面解析PaDiM
使用PaDiM网络跑自己的数据集，除去测试时读入dataloader的时间，每张图片测试时间在20-30ms，精度比较高，图像分类准确率99-100，像素分割准确率97以上，但是最大的问题是需要通过分割好的label来确定阈值选取（这一点必定要改过来）。for循环内的二次for循环：在tqdm的fo
YOLOv7中的数据集处理【代码分析】
本文章主要是针对yolov7中数据集处理部分代码进行解析(和yolov5是一样的)，也是可以更好的理解训练中送入的数据集到底是什么样子的。数据集的处理离不开两个类，(from torch.utils.data.dataloader import DataLoader)，不论什么样的算法，在处理数据集
【动手学深度学习PyTorch版】23 深度学习硬件CPU 和 GPU
深度学习硬件CPU 和 GPU
Stable Diffusion 个人推荐的各种模型及设置参数、扩展应用等合集（不断更新中）
stable diffusion 所用的各种模型及参数设置，扩展安装等，陆续更新
Transformer前沿——语义分割
Transformer在语义分割领域的发展
openAI API简易使用教程
openAI提供了几种不同场景的模型，主要有text completion、code completion、chat completion、image completion，例如chat completion，则调用方式为。而且请求的token和回复的token数会被加一起计费，例如说输入了10个t
AI时代来临，如何把握住文档处理及数据分析的机遇
在3月18日，由中国图象图形协会（CSIG）主办，合合信息、CSIG文档图像分析与识别专业委员会联合承办的“CSIG图像图形企业行”活动将正式举办，特邀来自上海交大、厦门大学、复旦、中科大的顶尖学府的学者与合合信息技术团队一道，以直播的形式分享文档处理实践经验及NLP发展趋势，探讨ChatGPT与文
【ROS2&AI】电脑摄像头、intel-D435，利用ros2发布订阅图像(Python)
配置：Python、ROS2、opencv、Ubuntu。利用电脑相机或D435相机联合ROS2进行图像的发布与订阅。与传统的传输列表、字符串msg不同（定义消息类型直接发送即可），利用ros2传输图像需要把图像frame转为image类型的msg。流程如下：opencv或者realsense获取得
【数据挖掘实战】——家用电器用户行为分析及事件识别(BP神经网络)
构建用水事件行为识别模型1、洗浴识别模型根据建模样本数据和用户记录的包含用水的用途、用水开始时间、用水结束时间等属性的用水日志，建立BP神经网络模型识别洗浴事件。
CiteSpace的介绍、重要调整参数及其重要术语
被引次数在我们进行文献分析的时候，被引次数不仅仅指的是每个文献的被引次数，它还指研究作者的被引次数，CiteSpace的一个原理性的解释，是把每个文献或者说每个作者当做是一个节点来看待，它每个节点之间的关联和它每个节点特征，主要的一个参数就是citation，它的被引次数。它这个数值的作用是什么？我
如何使用labelImg标注数据集，最详细的深度学习标签教程
深度学习中，做监督学习时需要标注好的数据集。一种利用现成的数据集：比如mnist手写体、ImageNet、COCO、PASCAL VOC、OpenImage等数据集；还有就是我们可以手动标注的数据集。下面教大家如何使用labelImg库来手动标注Dataset。1、打开anaconda命令行界面，如
一文讲解thop库计算FLOPs问题
计算模型的FLOPs及参数大小FLOPS是处理器性能的衡量指标，是“每秒所执行的浮点运算次数”的缩写。FLOPs是算法复杂度的衡量指标，是“浮点运算次数”的缩写，s代表的是复数。一般使用thop库来计算，GitHub：但官网的Readme中详细写出了是用来计算MACs，而不是FLOPs的MACs（M
损失函数InfoNCE loss和cross entropy loss以及温度系数
唯一的区别是, 在cross entropy loss里, 指代的是数据集里类别的数量, 而在对比学习InfoNCE loss里, 这个k指的是负样本的数量。一般来说，负样本选取的越多，就越接近整个数据集，效果自然会更好。Info NCE loss是NCE的一个简单变体，它认为如果你只把问题看作是
UNet - unet网络
Unet网络是医学图像分割领域常用的分割网络，因为网络的结构很像个U，所以称为UnetUnet 网络是针对像素点的分类，之前介绍的LeNet、ResNet等等都是图像分类，最后分的是整幅图像的类别，而Unet是对像素点输出的是前景还是背景的分类注：因为Unet 具体的网络框架均有所不同，例如有的连续
西恩科技更新招股书：IPO前大手笔分红“套现”， 赵志安为实控人
就产品类型来看，西恩科技的收入主要由硫酸镍、三元前驱体、碳酸锂等贡献，其中硫酸镍的占比最高。报告期内，西恩科技来自硫酸镍的收入分别为3.83亿元、4.33亿元、7.47亿元和4.98亿元，占主营业务收入的比例分别为80.19%、57.10%、49.22%和46.60%。报告期内，西恩科技的前五大客户
Cartographer算法2D激光雷达与IMU融合建图
上一篇文章讲了cartographer算法手持雷达建图的参数调试，这篇进一步讲如何融合2D雷达与IMU采用cartographer算法进行slam建图。cartographer算法手持二维激光雷达建图（不使用里程计及IMU）
【深度学习】生成模型：VAE(自编码器)模型解析
本文为自己自学内容的记录，其中多有借鉴别人博客的地方，一并在在参考文献中给出链接，其中大部分截图来自李宏毅深度学习PPT课件。本文前置知识高斯混合模型和EM算法，如果不了解这两种算法直接看VAE模型会有理解上的障碍。其实那么多数学公式推导，我自己都有点晕，但是本质上就是用自编码器去产生很多高斯分布，
yolo车牌识别、车辆识别、行人识别、车距识别源码(包含单目双目)
车牌内容识别时，通过计算候选车牌区域蓝色数值（均值）的最大值，确定最终的车牌区域。对于选定的车牌轮廓，首先进行粗定位，即对车牌进行左右边界回归处理，去除车牌两边多余的部分，然后进行精定位，即将车牌送入 CRNN 网络进行字符识别，利用左右边界回归模型，预测出车牌的左右边框，进一步裁剪，进行精定位。车
[HyperGraph专题]HGNN+:General Hypergraph Neural Networks
最近在做和超图相关的工作，自己主要偏编码的工作，但在敲代码和参考其他现有超图库的过程中发现了一个叫DeepHypergrah的库，里面涉及了很多和深度学习相关的内容，用到了pytorch、scipy、numpy之类啥啥啥，看的我一头雾水，想起之前给自己定了一个学习pytorch这一工具的目标，现在终
