YOLOv7保姆级教程（个人踩坑无数）----训练自己的数据集
从零开始，保姆级yolov7教程助你脱离新手村。
官方正品 | Ultralytics YOLOv8算法来啦（尖端SOTA模型）
🚀🚀YOLOv8 是 Ultralytics 开发的 YOLO（You Only Look Once）物体检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。
Pytorch+PyG实现GraphConv
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
新手小白如何租用GPU云服务器跑深度学习
如何租用gpu跑深度学习
PyTorch深度学习-06逻辑斯蒂回归（快速入门）
本文详细介绍PyTorch深度学习的逻辑斯蒂函数，包括为什么要用逻辑斯蒂函数、比较回归与分析的不同、怎样将实数集映射到0-1区间，逻辑斯蒂函数模型及损失函数、逻辑斯蒂函数模型与线性函数模型的代码比较、完整代码及结果
深度学习做不了什么事
本文源自一次讨论深度学习缺陷的推文风暴，斯坦福大学的Bharath Ramsundar，在用深度学习进行药物研究的过程中发现，深度学习做不到事情其实有很多，比如无法鉴别对抗样本、处理不好高维数据、不能一边训练一边推断……尽管如此，我还是怀疑深度神经网络不足以实现通用人工智能，当然，这可能只是我的偏见
学术科研无从下手？27 条机器学习避坑指南，让你的论文发表少走弯路
如果你刚接触机器学习不久，并且未来希望在该领域开展学术研究，那么这份为你量身打造的「避坑指南」可千万不要错过了。
YOLO算法创新改进系列项目汇总（入门级教程指南）
🎄🎄改进YOLOv5/YOLOv7——致力于目标检测领域科研Tricks改进与推荐 | 主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等。
GRU实现时间序列预测(PyTorch版)
本篇文章我们采用了经典的循环神经网络GRU来对我们的时序数据建模处理，作为该专栏的第一篇文章，本篇将详细介绍项目的每个实现部分以及细节处理，帮助新手小白快速建立起如何处理时序数据的框架。
YOLO v8详解
通过C3代码可以看出，对于cv1卷积和cv2卷积的通道数是一致的，而cv3的输入通道数是前者的2倍，因为cv3的输入是由主梯度流分支（BottleNeck分支）依旧次梯度流分支（CBS，cv2分支）cat得到的，因此是2倍的通道数，而输出则是一样的。C3模块，其主要是借助CSPNet提取分流的思想，
YOLOv8训练自己的数据集(超详细)
YOLOv8训练自己数据集的详细教程
Pytorch+PyG实现MLP
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
文本生成图像简述4——扩散模型、自回归模型、生成对抗网络的对比调研
各种各样的模型已经开发用于文本到图像的生成，模型主要可以分为三大类：扩散模型（Diffusion Model）、自回归模型（Autoregressive Model）、生成对抗网络模型（Generative Adversarial Networks），下面梳理一些近几年重要的模型并对比这三种方法的优
垃圾分类模型训练部署教程，基于MaixHub和MaixPy-k210
本文是图文演示内容，将给大家介绍 ，在MaixHub上训练模型，然后部署到Maix duino开发板上的流程。 .串口终端，占用板子内存更少，二进制文件，刷固件，烧录地址是0x300000，main.py，report.json，kmodel，迭代次数，数据均衡，浏览器，tfjs，部署平台，模
一文详解Yolov5——基于Yolov5的火灾检测系统
本文以yolov5为基础设计一套火灾检测系统，由于大多数设备、算法的实时性较差或检测精确度偏低，而YOLOv5 检测算法拥有轻量级的模型和优良的性能，针对于此，本项目基于 YOLOv5 算法， 着重解决的问题是如何实现准确快速地检测火灾，以减小在复杂环境中的误检率，并提高检测精确率和实时性。
Pytorch实现GCN(基于Message Passing消息传递机制实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
Pytorch深度强化学习案例：基于DQN实现Flappy Bird游戏与分析
在Flappy Bird中，玩家需要通过控制小鸟安全穿过随机长度的水管来得分。本文基于深度Q网络DQN来实现Flappy Bird游戏的自主探索与学习
Pytorch实现EdgeCNN(基于PyTorch实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
Pytorch+PyG实现GCN(图卷积网络)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
Pytorch实现MLP(基于PyTorch实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
