yolov7损失函数源码解析（一句一句解析，）
自己做的笔记而已，仅供参考。
通过公式和源码解析 DETR 中的损失函数 & 匈牙利算法（二分图匹配）
DETR在单次通过解码器时推断一个固定大小的有N个预测的集合，其中N被设置为显著大于图像中典型的物体数量。所有真实框中的每一个框和所有预测框进行匹配，损失值最小的预测框为该真实框的最佳匹配框，当所有真实框遍历完毕后，得到所有唯一匹配的框。完成最优分配，假设有六位老师和六种课程，通过匈牙利算法进行匹配
知识蒸馏算法和代码（Pytorch）笔记分享，一个必须要了解的算法
知识蒸馏算法和代码（Pytorch）笔记分享，一个必须要了解的算法
DC-UNet：重新思考UNet架构和双通道高效CNN医学图像
DC-UNet
【论文笔记】—低照度图像增强—Supervised—RetinexNet—2018-BMVC
【题目】：Deep retinex decomposition for low-light enhancement 本文提出用自己制作的弱光/正常光图像对的弱光数据集LOL数据集，利用Retinex理论中的不同光照下的图片反射率是相同的这一特点让其共享反射率，通过一个分解网络和一个增强网络对低照度
bert-bilstm-crf提升NER模型效果的方法
在使用bert或者其它预训练模型进行微调，下接其它具体任务相关的模块时，会面临这样一个问题，bert由于已经进行了预训练，参数已经达到了一个较好的水平，如果要保持其不会降低，学习率就不能太大，而下接结构是从零开始训练，用小的学习率训练不仅学习慢，而且也很难与BERT本体训练同步。如果学习率过小，梯度
MMdetection之train.py源码详解
目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二）build_dataset（mmdet/datasets/builder）（三）train_detector（mmdet/apis/train.p
深度学习之GPU显存与利用率 浅析小结
首先就一笔带过说一下GPU的重要性吧，以Pytorch为例，就是使用CUDA，cuDNN对深度学习的模型推理时执行的各种计算转换为矩阵乘法进行加速，来达到从猴年马月的运行，到现在几十成百倍的提速。至于我们爱之深恨之切的显存呢，以数据读取时GPU运行内存的变化作为参考，具体实现机制一般是通过worke
优化器(Optimizer)（SGD、Momentum、AdaGrad、RMSProp、Adam）
文章目录3.1、传统梯度优化的不足(BGD,SGD,MBGD)3.1.1 一维梯度下降3.1.2 多维梯度下降3.2、动量(Momentum)3.3、AdaGrad算法3.4、RMSProp算法3.5、Adam算法优化器在机器学习、深度学习中往往起着举足轻重的作用，同一个模型，因选择不同的优化器，性
深度学习知识点简单概述【更新中】
人工神经网络(英语:Artificial Neural Network，ANN)，简称神经网络(Neural Network,NN）或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑）的结构和功能的数学模型，用于对函数进行估计或近似。ps：和其他机器学习方法一样，神经网络已经被用于
GHostNet网络最通俗易懂的解读【不接受反驳】
如下图所示，是由ResNet-50中的第一个残差块生成的某些中间特征图的可视化。从图中我们可以看出，这里面有很多特征图是具有高度相似性的（在图中分别用不同的颜色示意），换句话说，**就是存在许多的冗余特征图。,即每组的channel数量为1),尽管形式上两者有比较大的差别:分组卷积只进行一次卷积操作
深度学习面试基础--BN层
深度学习中BN层的相关介绍
【GPT4】GPT4 官方报告解读
【GPT-4 】官方[研究进展]、[技术报告]全面解读。综合性能，图像输入，私人定制，事实判断的局限性，风险与应对，模型训练过程，用户政策和价格，API 使用。GPT-4 是 OpenAI 在深度学习领域的最新里程碑。GPT-4 是一个大型多模态模型，可以接受图像和文本输入，发出文本输出。虽然 GP
简单粗暴提升yolov5小目标检测能力
和yolov5最开始做的focus是类似的，对于输入的特征图（长宽为S），从左到右以及从上到下每scale个像素采样一次，假设scale=2，采样方式就和上图一样，经过这样采样的输出长宽就是S/2，最后将采样后的输出进行concatenate，通道数就是scale的平方，即4。左侧是yolov5原始
【跟着ChatGPT学深度学习】ChatGPT带我入门深度学习
跟着ChatGPT学深度学习第一弹，入门深度学习。本次ChatGPT老师共教我三个知识点，分别是深度学习基础、深度学习的学习资源和深度学习需要掌握的技能和知识。最后，ChatGPT老师还贴心地给深度学习新手和老手总结了一些学习建议。
Multi-head Self-attention（多头注意力机制）
Multi-head Self-attention（多头注意力机制）是怎么样的实现过程
slowfast代码实现和论文理解
1、摘要本文提出了用于视频识别的SlowFast网络。我们的模型包括：（1）一条slow pathway，以低帧速率运行，以捕获空间语义；（2）一条fast pathway，以高帧速率运行，以精细的时间分辨率捕获运动。fast pathway可以通过减少通道容量而变得非常轻量，但可以学习有用的时间信
分割网络损失函数总结！交叉熵，Focal loss，Dice，iou，TverskyLoss！
交叉熵损失，Focal loss, Dice, iou, Tverskyloss!
脑电EEG代码开源分享 【6. 分类模型-深度学习篇】
科学家认为目前的深度学习瓶颈需要人脑结构的启发，类脑智能逐渐兴起，人脑智能的感知能力 + 机器智能的高效处理，混合智能在不断探索。分类模型-深度学习篇主要介绍了基础的网络结构框架 ，将深度学习解决脑电领域问题，形成【BCI + AI】的处理框架，为脑机接口的科研开辟了新赛道、新领域。本文介绍了3种经
CLIP论文详解
CLIP算是在跨模态训练无监督中的开创性工作，作者在开头梳理了现在vision上的训练方式，从有监督的训练，到弱监督训练，再到最终的无监督训练。这样训练的好处在于可以避免的有监督的 categorical label的限制，具有zero-shot性质，极大的提升了模型的实用性能。这篇文章中作者提到早
