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
【NLP】使用 BERT 和 PyTorch Lightning 进行多标签文本分类
了解如何为多标签文本分类（标记）准备带有恶意评论的数据集。我们将使用 PyTorch Lightning 微调 BERT 并评估模型。多标签文本分类（或标记文本）是您在执行 NLP 时会遇到的最常见任务之一。现代基于 Transformer 的模型（如 BERT）利用对大量文本数据的预训练，可以更快
[CV学习笔记]tensorrt加速篇之yolov5seg 实例分割
yolov5 实例分割
详细介绍BERT模型
BERT通过在所有层中联合调节左右语境，从未标记的文本中预训练深度双向表征。因此，预训练的BERT模型可以通过一个额外的输出层进行微调，以创建最先进的模型，用于更广泛的任务，而无需对特定任务的架构进行大量修改。
计算机视觉 (Computer Vision) 领域顶级会议归纳
本文具体介绍几种计算机视觉顶级会议，包括计算机视觉领域三大顶尖国际会议 ： CVPR、ICCV、ECCV ；还有其他一些 著名 会议： WACV、NIPS、ICLR、AAAI、ICML、IJCAI ；汇总信息在最后面，可以直接点击查看 ；...............
YOLOv5 PyQt5（一起制作YOLOv5的GUI界面）
视频地址：[PyQt \YOLOv5\GUI]利用PyQt制作的YOLOv5GUI界面_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1ii4y1C75h#reply105653862912自从上一个视频在B站发布之后，很多小伙伴想要我把项目代码来源，考
TransUnet官方代码测试自己的数据集（已训练完毕）
首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。权重文件2. 修改test.py文件调整数据集路径。训练和测试时的图像设置相同大小。配置数据集相关信息。手动添加权重。
深度学习中的GPU与CUDA
显卡，也称之为 GPU。GPU 的全称是 Graphics Processing Unit（图形处理单元）。它出现的目的一目了然，就是用来显示图像的。没错，就是用来在电脑显示器上显示图像的。大家其实只要知道我们的电脑都有显卡这一点就行了。但我们在深度学习中说的显卡（GPU）一般特指是英伟达（NVID
A5000 VS 3090，谁更强？
3090的单精度性能高于A5000，但在半精度和混合精度训练中，A5000的性价比又不输3090，甚至更为突出。
【torch.nn.Parameter 】参数相关的介绍和使用
是继承自的子类，其主要作用是作为中的可训练参数使用。它与的区别就是会自动被认为是的可训练参数，即加入到这个迭代器中去。具体格式如下：其中 为待传入的 ， 默认为 True。事实上， 中提供的模块中的参数均是 类，例如：参数构造可以看作是一个类型转换函数，将一个不可训练的类型 转换成可以训练的类
【Pytorch深度学习实战】（11）变分自动编码器（VAE）
而变分自编码器便是用“取值的概率分布”代替原先的单值来描述对特征的观察的模型，如下图的右边部分所示，经过变分自编码器的编码，每张图片的微笑特征不再是自编码器中的单值而是一个概率分布。另一个根据生成的隐变量变分概率分布，还原生成原始数据的近似概率分布，称为生成网络。在上面的模型中，经过反复训练，我们的
tensorRT部署实战——yolov5
yolov5的onnx简化到trt推理
如何利用DGL官方库中的rgcn链接预测代码跑自己的数据集（如何在DGL库的链接预测数据集模块定义自己的数据集类）
如何利用DGL官方库中的rgcn链接预测代码跑自己的数据集（如何在DGL库的链接预测数据集模块定义自己的数据集类）
SE(Squeeze and Excitation)模块的理解以及代码实现
SEBlock并非一个完整的网络，而且一个子结构，可以嵌在其他分类或检测模型中。SEBlock的核心思想是通过网络根据loss去学习特征权重，使得有效的featuremap权重更大，无效或效果小的featuremap权重更小的方式去训练模型已达到更好的结果。当然，SEblock嵌在原有的一些分类网络
机器人抓取系列——CBAM注意力机制
注意力机制
