BRIO：抽象文本摘要任务新的SOTA模型
在 SimCLS [2]论文发布后不久，作者又发布了抽象文本摘要任务的SOTA结果 [1]。BRIO在上述论文的基础上结合了对比学习范式。
学习笔记：深度学习（8）——基于PyTorch的BERT应用实践
使用PyTorch将BERT嵌入网络进行应用的一次初尝试！
连夜看了30多篇改进YOLO的中文核心期刊 我似乎发现了一个能发论文的规律
第1种：焕然一新的创新；比如Faster-RCNN、Yolov1、Transformer、ShuffleNet等，能……第2种：守正出奇的创新；比如将图像金字塔改进为特征金字塔……第3种：各种先进算法集成的创新，比如……
一般神经网络(DNN)反向传播过程
DNN反向传播过程多元函数微分损失函数都是标量函数，它使用范数损失将向量转换为标量。计算损失函数在第L层输入的导数是一种标量对向量的求导。实际上不论是几维向量，都可以视为一列多元函数的自变量数组。例如，m×nm\times nm×n维度的矩阵{Wij}\{W_{ij}\}{Wij}可以转化为一列多
ICLR 2022的10篇论文推荐
一千多篇论文，19个研讨会和8次邀请演讲。 所以我整理了10篇论文作为推荐，希望对你有帮助
手把手带你Yolov5 (v6.1)添加注意力机制（并附上30多种顶会Attention原理图）
Yolov5 (v6.1)添加注意力机制教程（并附上30多种顶会Attention原理图）
深度学习中的归一化技术全面总结
归一化是深度学习中的一个基本概念。它加快了计算速度并稳定了训练。多年来发展了许多不同的技术。本篇文章整理了目前与它相关的方法，希望对你有所帮助
42个激活函数的全面总结
这个列表将包含 42 个激活函数，这里面肯定有没有见过的
《协同式智能清漂子母船》——第十四届国际水中机器人大赛---国赛亚军
摘要：水库、湖泊等水域在降雨和人类活动的作用下经常会聚集大量漂浮垃圾，严重影响水利枢纽正常运行，以及水域和周边的生态环境健康。如何适应各种水域特征，及时而高效安全的清除漂浮垃圾仍然是亟需解决的问题。针对此问题，本作品设计了一种子母船，在大型水域由母船直接清理漂浮垃圾，而在母船无法完成清理工作的较浅水
手把手带你调参Yolo v5 (v6.1)（一）
解析Yolov5项目中每一个参数含义
Keras深度学习实战（3）——神经网络性能优化技术详解
在神经网络训练过程中，有多种超参数可以影响神经网络的准确性。在本节中，我们将详细介绍神经网络中各种超参数的作用，通过使用不同的超参数来优化神经网络性能，以 MNIST 手写数字分类模型为例应用多种神经网络优化技术提高模型准确率。
在预测中使用LSTM架构的最新5篇论文推荐
本文总结了近半年来关于LSTM的5篇论文，推荐阅读
三、深度学习基础2（前、反向传播；超参数）
前向传播与反向传播前向传播反向传播神经网络的输出、卷积神经网络输出值以及Pooling 层输出值（主要作用是下采样）过程皆为比较简单的基础知识，在此不作详细赘述。超参数超参数:比如算法中的 learning rate （学习率）、iterations(梯度下降法循环的数量)、（隐藏层数目）、（隐藏层
深度学习基础 初学者版
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言 一、过拟合与欠拟合，防止过拟合方法。 二、使用步骤 1.引入库 2.读入数据 总结前言首先！博主目前大一，写出来的东西水平很低。我写博客的目的只是为了让同是大一大二的学生们，入门这个领域的时候变得稍微轻松一点点。这篇博
基于pytorch平台实现对MNIST数据集的分类分析（前馈神经网络、softmax）基础版
基于pytorch平台实现对MNIST数据集的分类分析（前馈神经网络、softmax）基础版
三、深度学习基础1（构成、模型）
神经网络组成（输入层、隐藏层、输出层）最简单的神经网络：感知机复杂一些的感知机由简单的感知机单元组合而成：Sigmoid 单元感知机单元的输出只有 0 和 1，实际情况中，更多的输出类别不止 0 和 1，而是[0,1]上的概率值，这时候就需要 sigmoid 函数把任意实数映射到[0,1]上。sig
学习笔记：深度学习（5）——词向量的相关概念
开始学习Bert。
从零到一实现神经网络（六）：误差反向传播算法更新网络权重
误差反向传播算法原理，误差反向传播更新权重参数，三层神经网络实现
5分钟NLP：Text-To-Text Transfer Transformer (T5)统一的文本到文本任务模型
本文将解释如下术语：T5，C4，Unified Text-to-Text Tasks
图像预训练模型的起源解说和使用示例
这篇文章简要介绍了图像预训练模型过去的演变，并总结了现在的一些热门话题。
