深度学习和高光谱图像分类
深度学习算法对高光谱图像进行分类的一些问题和方法。
Meta最新模型LLaMA细节与代码详解
本文对Facebook Meta AI最新提出的大语言模型LLaMA进行简单的介绍，以及对其开源出的代码和细节进行了详细的说明。
显卡、显卡驱动版本、cuda版本和Pytorch相互之间的依赖关系
探讨如何根据显卡和显卡驱动版本去选择相应的CUDA和Pytorch。
显卡、显卡驱动、cuda、cudnn 通俗解释及深度学习环境搭建
显卡、显卡驱动、cuda、cudnn、通俗解释及安装。
模型可解释性 DeepLIFT 论文解析
模型可解释性 DeepLIFT 论文解析
2022 ECCV 三维人体重建相关论文汇总
在arxiv中收集的2022ECCV关于三维人体重建的相关论文。进行了一个汇总、简介以及导引！
Vision Transformer 论文 + 详解（ ViT ）
Vision Transformer 论文 + 详解
CUlane数据集介绍
culane数据集是车道线检测的一个比较通用的数据集，是由SCNN这篇论文提出的。它是由安装在六辆由北京不同驾驶员驾驶的不同车辆上的摄像机收集的。 收集了超过55小时的视频，并提取了133,235帧。 数据示例如上所示。 我们将数据集分为88880个训练集，9675个验证集和34680个测试集。 测
图解自注意力机制
写在最前边这个文章是《图解GPT-2 | The Illustrated GPT-2 (Visualizing Transformer Language Models)》的一部分，因为篇幅太长我就单独拿出来了。当然如果你只想了解自注意力机制也可以看看本文章的前半部分，这篇文章属算是入门科普读物了，不
YoloV5 模型自定义评估-误报、漏报、错报
YoloV5模型训练成功后，可以通过自带的val.py文件进行评估分析，其提供mAp、Iou以及混淆矩阵等，很好，但是……领导不认可……/(ㄒoㄒ)/~~。领导要的是最直观的东西，比如这个模型识别目标的准确率，还有误报率等……。那么，领导的要求就是我们开发的方向：为了得到准确率以及误报、漏报、错报的
CenterPoint 工程复现
CenterPoint 工程复现，本文中使用版本：BEVerse工程下的mmdet3d (`MMDet3d v0.17.3`)版本，MMDetection3D中其他版本的使用`大同小异`。
PointNet++论文解读和代码解析
PointNet++
nn.Upsample
写在前面：在PyTorch中有两种上采样/下采样的方法，一种是Upsample，另一种是interpolate这两个函数的使用方法略有差异，这里仅介绍UpsampleUpsampletorch.nn.Upsample(size=None, scale_factor=None, mode='neare
爆改YOLOV7的detect.py制作成API接口供其他python程序调用（超低延时）
YOLO系列框架凭借其超高的运行流畅度和不俗的准确率，一直被广泛地应用到各个领域。刚刚推出不久的YOLOV7在5FPS到160FPS范围内的速度和精度达到了新的高度，并在GPUV100上具有30FPS或更高的所有已知实时目标检测器中具有最高的精度56.8%AP。作为目标检测领域的一种框架，YOLOV
模型实战（2）之YOLOv5 实时实例分割+训练自己数据集
模型实战（2）之YOLOv5 实时实例分割+训练自己数据集
Faiss(一)基础介绍及安装
Faiss(一)基础介绍及安装
训练自己的GPT2模型（中文），踩坑与经验
GPT模型，中文，自己微调，经验与踩坑
YOLOv5~目标检测模型精确度
也称重叠度表示计算预测回归框和真实回归框的交并比,计算公式如下:指标的一些基本概念：TP（True Postives）：分类器把正例正确的分类-预测为正例。(IOU >=阈值)FN（False Negatives）：分类器把正例错误的分类-预测为负例。(IOU
手把手带你玩转Spark机器学习-深度学习在Spark上的应用
本文将介绍深度学习在Spark上的应用，我们将聚焦于深度学习Pipelines库，并讲解使用DL Pipelines的方式。我们将讲解如何通过Pipelines实现Transfer Learning，同时通过预训练模型实现来处理少量数据并实现预测。本文主要介绍深度学习在Spark上的应用，以花卉图片
Transformer结构解析
Transformer模型的结构和计算过程
