【语音唤醒】TC-ResNet：移动设备上实时关键词检测的时域卷积算法
语音唤醒端到端算法
目标检测算法——YOLOv7改进|增加小目标检测层
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS
图像处理-特征融合：相加、拼接、Attention
图像处理-特征融合：相加、拼接、Attention特征融合是指来自不同层或分支的特征的组合，是现代网络体系结构中很常见的一种操作。图像处理的特征融合中，对于普遍的多尺度融合，广泛操作是直接将他们相加或者拼接起来！即通常通过简单的操作（例如求和或串联）来实现，但是，这不一定是最佳选择。随着Transf
Focal loss 损失函数详解
Focal loss
ChatGPT的主要应用场景例子
另外，ChatGPT还可以应用于语音助手、智能家居、自动驾驶等领域，为人们的生活带来更加智能化的体验。未来，随着人工智能技术的不断发展，ChatGPT将会在更多的领域发挥其作用，为人们创造更加智能、便捷、高效的生活方式。这种技术可以应用于新闻报道、广告宣传、文案撰写等领域。例如，某位学生需要撰写一篇
【NLP】NLP基础知识
目录自然语言处理主要内容自然语言的构成自然语言处理的步骤1：词法分析1 分词：2 实体识别3 实体识别方法：序列标注4 序列标注关键算法：5 序列标注应用：5.1 新词发现：5.2 领域中文分词5.3 命名实体识别5.4 依存句法分析（帮助句法分析）自然语言处理的步骤2：句法分析1 主题
YOLO系列 --- YOLOV7算法（三）：YOLO V7算法train.py代码解析
YOLO系列 --- YOLOV7算法（三）：YOLO V7算法train.py代码解析
Pytroch进行模型权重初始化
Pytroch常见的模型参数初始化方法有apply和model.modules()。Pytroch会自动给模型进行初始化，当需要自己定义模型初始化时才需要这两个方法。
Cursor太强了，从零开始写ChatGLM大模型的微调代码
初试基于chatgpt4的写代码神器
可分离卷积(Separable convolution)详解
可分离卷积包括空间可分离卷积(Spatially Separable Convolutions)和深度可分离卷积(depthwise separable convolution)。
详解可变形注意力模块（Deformable Attention Module）
Deformable Attention（可变形注意力）首先在2020年10月初商汤研究院的《Deformable DETR: Deformable Transformers for End-to-End Object Detection》论文中提出，在2022CVPR中《Vision Transf
Pytorch 深度学习注意力机制的解析与代码实现
深度学习Attention注意力机制的解析及其Pytorch代码实现
踩雷日记：Pytorch mmcv-full简易安装
因为mmcv-full版本与pytorch和cuda版本不匹配，导致mmcv-full安装失败。提示：安装mmcv-full前，先把mmcv卸掉例如：以上就是今天要讲的内容，本文简单介绍了mmcv-full的安装，希望对你有所帮助。
【深度学习】详解 MAE
【深度学习】详解 MAE - Masked Autoencoders Are Scalable Vision Learners
神经网络初学者的激活函数指南
如果你刚刚开始学习神经网络，激活函数的原理一开始可能很难理解。但是如果你想开发强大的神经网络，理解它们是很重要的。
学习笔记 | 多层感知机（MLP）、Transformer
多层感知机（MLP）、Transformer、Memory Bank
Segment Anything CV界的GPT—prompt-based里程碑式研究成果
Segment Anything由Meta AI发布，估计将成为计算机视觉界颠覆性成果，甚至可能重塑“计算机视觉”的概念。本文主要描述Segment AI的研究成果和简单应用，简明扼要提取有关论文的信息。
物理信息神经网络PINNs : Physics Informed Neural Networks 详解
本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结一、PINN模型论文解读1、摘要：基于物理信息的神经网络（Physics-informed Neural Network， 简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理
Ubuntu22.04设置独显用于深度学习运算，核显用于屏幕显示
目前有需求配置台式机win11+Ubuntu的双系统，安装双系统的教程比较多，安装n卡驱动的教程也比较多，但是大多数的教程都到独显驱动安装完毕为止，这意味着按照教程配置好之后桌面会占用独显的现存大概100-200M，对于显存比较紧张的深度学习运算的情况下很有可能是致命的。因此，本篇教程旨在通过设置使
带你一文透彻学习【PyTorch深度学习实践】分篇——线性模型 & 梯度下降
鉴于PyTorch深度学习实践系列文章，篇幅较长，有粉丝朋友反馈说不便阅读。因此这里将会分篇发布，以便于大家阅读。本次发布的是 “基础 模型&算法 回顾”章节中的线性模型、Gradient Descent（梯度下降）。
