【Stable Diffusion】什么是VAE
VAE是Stable Diffusion的一种重要的深度学习模型，它可以使图像变得更鲜艳，帮助AI绘画师更好地理解输入图像的特征，并生成更加逼真的绘画作品，本文从基本概念讲起，对VAE的作用，打开方式，存放位置，下载途径等方面进行简要的全面介绍，帮助初学者快速入门，快速使用。
深入浅出Pytorch函数——torch.zeros
torch.zeros
UNeXt：基于 MLP 的快速医学图像分割网络
UNeXt是约翰霍普金斯大学在2022年发布的论文。它在早期阶段使用卷积，在潜在空间阶段使用 MLP。通过一个标记化的 MLP 块来标记和投影卷积特征，并使用 MLP 对表示进行建模。对输入通道进行移位，可以专注于学习局部依赖性。
MMEngine理解
MMEngine学习理解
基于Docker的深度学习环境NVIDIA和CUDA部署以及WSL和linux镜像问题
docker的介绍网上有很多，对于深度学习的认来讲，docker的好处就是直接把环境分享给他人，他人不需要再配置环境了。比如我有一个目标检测的项目，我想分享给朋友，那么他首先需要在自己的电脑上配置好显卡驱动、CUDA、CuDNN，在拿到我的项目后，还需要安装各种依赖库，最后代码还不一定跑起来。如果我
yolov5简要介绍
正样本匹配：寻找负责预测真值框的先验框 （不负责的作为负样本或丢弃）正样本寻找过程：与以往的用IOU匹配不同，yolov5用如下2步骤进行正样本匹配：1、先验框尺寸匹配：目标框与先验框的宽比值、高比值的最大值 小于一定阈值，则为正匹配。
经典CNN卷积神经网络发展史+论文+网络实现(PyTorch)
经典CNN卷积神经网络发展史+网络实现(PyTorch)
什么是归一化，它与标准化的区别是什么？
归一化与标准化是什么，两者有何关联？有何差别？
深度学习模型的训练（大总结）
在我们训练模型时，会经常使用一些小技巧，包括：模型的保存与加载、断点的保存与加载、模型的冻结与预热、模型的预训练与加载、单GPU训练与多GPU训练。这些在我们训练网络的过程中会经常遇到。方法二：仅保存参数（数据量小，推荐！）注意：加载模型权重时，我们需要先实例化模型类，因为该类定义了网络的结构。如果
2023 年第八届数维杯大学生数学建模挑战赛 B 题 节能列车运行控制优化策略
假设一辆列车在水平轨道上运行，从站台A运行至站台B，其间距为5144.7m， 运行的速度上限为100km/h，列车质量为176.3t，列车旋转部件惯性的旋转质量 因数p = 1.08 ，列车电机的最大牵引力为310KN，机械制动部件的最大制动力为 760KN。在同一段旅途中，列车使 用不同的驾驶策略
Python——图像缺失弥补
关于loss值的选取：对于completion比较简单，采用MSE值来计算，就是简单地用生成的图片和真实图片做一个减法，就可以得出loss值；这个图片去跑completion网络，并且把网络参数保存——然后在completion基础上，用global completion得到的全局图片和生成的loc
【CVPR 2023】FasterNet论文详解
论文名称：Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks作者发现由于效率低下的每秒浮点运算，每秒浮点运算的减少并不一定会导致类似水平的延迟减少。提出通过同时减少冗余计算和内存访问有效地提取空间特征。然后基于PConv进
annaconda环境的配置与安装（annaconda+torch）
好多小伙伴为配置和安装深度学习的环境而感到头疼，这也是神经网络入门的第一关，下面，就记录下一下annaconda+torch环境的配置与安装流程，供自己学习和记录用，如有不足请指正！
cartopy安装保姆教程--三天的试错，终于成功了
cartopy安装保姆教程--三天的试错，终于成功了
基于深度学习的农作物病虫害识别系统
基于深度学习的农作物病虫害识别系统
【一起撸个DL框架】5 实现：自适应线性单元
上一节我们实现了计算图的反向传播，可以求结果节点关于任意节点的梯度。下面我们将使用梯度来更新参数，实现一个简单的自适应线性单元。我们本次拟合的目标函数是一个简单的线性函数：y=2x+1，通过随机数生成一些训练数据，将许多组x和对应的结果y值输入模型，但是并不告诉模型具体函数中的系数参数“2”和偏置参
万字长文解读Stable Diffusion的核心插件—ControlNet
ControlNet在大型预训练扩散模型（Stable Diffusion）的基础上实现了更多的输入条件，如边缘映射、分割映射和关键点等图片加上文字作为Prompt生成新的图片，同时也是stable-diffusion-webui的重要插件。ControlNet因为使用了冻结参数的Stable Di
YOLOv5改进训练过程中置信度损失上升
按照以上分析原因进行修改之后发现，削减模型复杂度值之后，依然会出现该现象，所以过拟合原因排除；总结分析出三个主要原因：1.模型计算量过大，出现过拟合的现象，需要对网络框架进行削减，降低网络模型复杂度。3.学习率以及optimizer的选择出现问题，需要进行更换。从tensorboard的图像过程中看
人工智能与大数据面试指南——机器学习
人工智能与大数据面试指南》系列下的内容会，有需要的读者可以文章，以及时获取文章的最新内容。
ChatGPT的提示的一些高级知识
ChatGPT响应是不确定的——这意味着即使对于相同的提示，模型也可以在不同的运行中返回不同的响应。如果你使用API甚至提供API服务的话就更是这样了，所以希望本文的介绍能够给你一些思路。另外本文的引用如下：作者：Ivan Campos。
