改进YOLOv5系列：7.改进DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS
Soft-NMS,DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS,Soft-CIoUNMS,Soft-SIoUNMS,...
tqdm高级使用方法(类keras进度条)
在很多场景，我们希望对一个进度条标识其运行的内容()，同时也希望在进度条中增加一些信息，如模型训练的精度等。本文就将基于tqdm，在实际应用中充实进度条。
【深度学习前沿应用】图像风格迁移
【深度学习前沿应用】图像风格迁移，基于百度飞桨开发，参考于《机器学习实践》所作。
DALL·E-2是如何工作的以及部署自己的DALL·E模型
在本文中，我们将简单介绍DALL-E2是如何工作的，并且把DALL·E Mini生成的图像输入到其他图像处理模型(GLID-3-xl和SwinIR)中来提高生成图像的质量
深入浅出对话系统——任务型对话系统技术框架
任务型对话系统所需要了解的基本概念。
【深度学习】笔记2-模型在测试集的准确率大于训练集
在模型训练过程中突然发现，模型的准确率在测试集上居然比在训练集上还要高。但是我们知道，我们训练模型的方式就是在训练集上最小化损失。因此，模型在训练集上有着更好的表现，才应该是正常的现象。那么，是什么导致了在测试集上准确率更高的现象呢？......
更简单的掩码图像建模框架SimMIM介绍和PyTorch代码实现
在本文中我们将探索一篇和MAE同期的工作：SimMIM，任何VIT都可以在大量未注释的数据上进行训练，并且可以很好地学习下游任务。
YOLOv7基于自己的数据集从零构建模型完整训练、推理计算超详细教程
到底使用哪个完全看自己的选择和需求。我这里选择的是tag里面的稳定版本。前段时间感觉也是应接不暇了，先是美团技术团队提出来了yolov6，也就间隔一周的时间吧，yolov7就出来的，当然了，两者的优化思路是不一样的，可以根据自身的实际业务场景需求来进行选择即可，也未必说越新的模型就会越好。到这里，基
【深度学习实践（一）】安装TensorFlow
【深度学习实践（一）】安装TensorFlow
【机器学习】数据科学基础——神经网络基础实验
【机器学习】数据科学基础——神经网络基础实验，基于百度飞桨开发，参考于《机器学习实践》所作。
8个常见的机器学习算法的计算复杂度总结
计算的复杂度是一个特定算法在运行时所消耗的计算资源(时间和空间)的度量。
365天深度学习训练营-学习线路
要求：学习如何编写一个完整的深度学习程序，并记录学习所得（详细介绍其中一个知识点、简略介绍两个知识点）
实际工作中的高级技术（训练加速、推理加速、深度学习自适应、对抗神经网络）
针对训练数据过于庞大的对策，多GPU训练，加速生产模型的速度，可以认为是离线操作。我们主要看一下基于数据的并行，下面列出了三种并行方式①Model Average（模型平均）②SSGD（同步随机梯度下降）③。......
YOLOv5应用轻量级通用上采样算子CARAFE
手把手教你YOLOv5添加轻量化上采样算子CARAFE
在表格数据集上训练变分自编码器 (VAE)示例
变分自编码器 (VAE) 是在图像数据应用中被提出，但VAE不仅可以应用在图像中。在这篇文章中，我们将简单介绍什么是VAE，以及解释“为什么”变分自编码器是可以应用在数值类型的数据上，最后使用Numerai数据集展示“如何”训练它。
【深度学习】今日bug（8月2)
一. TypeError: ‘method‘ object is not iterable，意思是类型错误“方法”对象不可迭代。二. 自动求梯度，求函数值了吗？
细胞图像数据的主动学习
通过细胞图像的标签对模型性能的影响，为数据设置优先级和权重。
Yolov5更换主干网络之《旷视轻量化卷积神经网络ShuffleNetv2》
通过ChannelSplit替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。
使用分类权重解决数据不平衡的问题
在分类任务中，不平衡数据集是指数据集中的分类不平均的情况，会有一个或多个类比其他类多的多或者少的多。
可解释深度学习：从感受野到深度学习的三大基本任务，让你真正理解深度学习！
深度学习一直作为一个“盲盒”被大家诟病，我们可以借助深度学习实现端到端的训练，简单，有效，但是我们并不了解神经网络的中间层到底在做什么，每一层卷积的关注点是什么。我在之前的专题浅谈图像处理与深度学习中提到，我们在深度学习刚开始的时候，我们要实现一个任务，比如：把不清晰的图像变清晰，我们随意的搭建了
