双目相机基本原理
双目相机基本原理
一分钟玩转Stable Diffusion
Stable Diffusion，Ai绘图
Yolov7-pose 训练body+foot关键点
yolo-pose
什么是YOLOR？
因此，YOLOR 是一个统一的网络，可以一起处理隐性和显性知识，并产生由于该方法而改进的一般表示。YOLOR 是一种用于对象检测的最先进的机器学习算法，与 YOLOv1-YOLOv5 不同，原因在于作者身份、架构和模型基础设施的差异。YOLOR研究论文的标题为“你只学习一种表示：多个任务的统一网络”
模型调优：验证集的作用（就是为了调整超参数）
注意这里的表现，是指在验证集上的表现。好比训练轮数（epochs），在同样的训练集上，训练3轮和训练10轮，结果肯定是不一样的模型。一般训练几个 epoch 就跑一次验证看看效果，如果发现训练3轮效果更好，那么就应该丢弃掉训练6轮、10轮的潜在模型，只用训练3轮的结果。所以必须从训练样本中取出一部分
CA-用于轻型网络的坐标注意力 | CVPR2021
CA-用于轻型网络的坐标注意力 | CVPR2021
AI又进化了，声音克隆革命性突破
用AI唱了几首歌
Anaconda下的tensorflow-gpu2.6.0安装使用
# Anaconda下的tensorflow-gpu2.6.0安装使用
使用Unit Scaling进行FP16 和 FP8 训练
Unit Scaling 是一种新的低精度机器学习方法，能够在没有损失缩放的情况下训练 FP16 和 FP8 中的语言模型。
最新人机对话工具：GPT4介绍（ChatGPT升级版 支持图片且更智能）
今天偶然发现期待已久的GPT-4发布了，比上一版的ChatGPT（GPT-3.5）性能还好，最主要是支持图片输入，就增加了很多新的场景
Softmax分类器及交叉熵损失（通俗易懂）
简单的说,softmax函数会将输出结果缩小到0到1的一个值，并且所有值相加为1，cross-entropy一般再softmax函数求得结果后再用，
深度学习：根据 loss曲线，对模型调参
深度学习模型调参笔记train loss 下降，val loss下降，说明网络仍在学习； 奈斯，继续训练train loss 下降，val loss上升，说明网络开始过拟合了；赶紧停止，然后数据增强、正则train loss 不变，val loss不变，说明学习遇到瓶颈；调小学习率或批量数目trai
YOLOX优点介绍与解析，详细易懂。
YOLOX各个优点详解，让你一篇文章了解！
主动学习(Active Learning，AL)的理解以及代码流程讲解
针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。 在此问题背景下，主动学习（Active Learning, AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。主动学习的工作流程的关键是选择模型、使用的不确定性度量以及应用于请求标签的查询策略。主要步骤为：收集数据、建立模
从零开始完成YOLOv5目标识别（三）用PyQt5展示YOLOv5的识别结果
用pyqt5实现yolov5图像、视频和摄像头的实时监测
深度学习：交叉验证（Cross Validation）
将原始数据随机分为两组，一组做为训练集，一组做为验证集，利用训练集训练分类器，然后利用验证集验证模型，记录最后的分类准确率为此分类器的性能指标。好处：处理简单，只需随机把原始数据分为两组即可坏处：但没有达到交叉的思想，由于是随机的将原始数据分组，所以最后验证集分类准确率的高低与原始数据的分组有很大的
神经网络算法基本原理及其实现
目录背景知识人工神经元模型激活函数网络结构工作状态学习方式BP算法原理算法实现（MATLAB）背景知识在我们人体内的神经元的基本结构，相信大家并不陌生，看完下面这张图，相信大家都能懂什么是人工神经网络？人工神经网络是具有适应性的简单神经元组成的广泛并互连的网络，它的组织能够模拟生物神经系统对真实世界
计算机视觉中的注意力机制
注意力机制（Attention Mechanism）源于对人类视觉的研究。 在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。 上述机制通常被称为注意力机制。 人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度（Acuity），只有视网膜中央凹部位具
对抗生成网络GAN系列——DCGAN简介及人脸图像生成案例
前段时间，我已经写过一篇关于GAN的理论讲解，并且结合理论做了一个手写数字生成的小案例，对GAN原理不清楚的可以点击☞☞☞跳转了解详情。🌱🌱🌱GAN网络即是通过生成器和判别器的不断相互对抗，不断优化，直到判别器难以判断生成器生成图像的真假。 那么接下来我就要开始讲述DCGAN了喔
【跟着ChatGPT学深度学习】ChatGPT带我学情感分析
情感分析是一种自然语言处理技术，旨在识别、提取和量化文本中的情感信息。它可以帮助人们了解一段文本的情感倾向，例如积极、消极或中性。情感分析可以用于分析社交媒体上的评论、产品评论、新闻文章、客户反馈等各种文本数据，以便企业和个人了解他们的客户和受众的情感状态和反应。在情感分析中，通常会使用一些机器学习
