神经网络-最大池化的使用
池化层的官方文档中介绍了很多种的池化方法,但是最常用的还是MaxPool2d,这里我们也用MaxPool2d来讲解,其他的类似,关键还是要学会看官方文档概述:最大池化目的就是为了保留输入的特征,但是同时把数据量减少,最大池化之后数据量就减少了,对于整个网路来说,进行计算的参数就变少了,就会训练的更快
【yolov4】基于yolov4深度学习网络目标检测MATLAB仿真
YOLO发展至YOLOv3时,基本上这个系列都达到了一个高潮阶段,很多实际任务中,都会见到YOLOv3的身上,而对于较为简单和场景,比如没有太密集的目标和极端小的目标,多数时候仅用YOLOv2即可。除了YOLO系列,也还有其他很多优秀的工作,比如结构同样简洁的RetinaNet和SSD。后者SSD其
分享本周所学——人工智能语音识别模型CTC、RNN-T、LAS详解
本人是一名人工智能初学者,最近一周学了一下AI语音识别的原理和三种比较早期的语音识别的人工智能模型,就想把自己学到的这些东西都分享给大家,一方面想用浅显易懂的语言让大家对这几个模型有所了解,另一方面也想让大家能够避免我所遇到的一些问题。然后因为我也只是一名小白,所以有错误的地方还希望大佬们多多指正。
无人驾驶: 对多传感器融合的一些思考
感谢商汤学术 2022/06/22 带来的基于BEV环视感知直播课程,借助这次机会,总结了我前段时间的工作
使用“BERT”作为编码器和解码器(BERT2BERT)来改进Seq2Seq文本摘要模型
BERT是一个著名的、强大的预先训练的“编码器”模型。让我们看看如何使用它作为“解码器”来形成编码器-解码器架构。
基于CNN-RNN的医疗文本生成
本项目使用经过IMAGENET预训练的resnet101网络图像特征进行提取后,将图像特征输入LSTM来生成影像的文本描述。初步实现了图像到文本的简单生成。
评估和选择最佳学习模型的一些指标总结
在评估模型时,虽然准确性是训练阶段模型评估和应用模型调整的重要指标,但它并不是模型评估的最佳指标,我们可以使用几个评估指标来评估我们的模型。
Yolov5更换上采样方式
将原本的的上采样方式替换为转置卷积;有人通过实验证明了确实涨点,但是我在VOC数据集上测试并没有涨点,大概掉了不到1点。
位置编码(PE)是如何在Transformers中发挥作用的
Transformers不像LSTM具有处理序列排序的内置机制,它将序列中的每个单词视为彼此独立。所以使用位置编码来保留有关句子中单词顺序的信息。
【时序预测完整教程】以气温预测为例说明论文组成及PyTorch代码管道构建
时间序列预测论文组成及PyTorch代码管道构建详解。
【自动驾驶模拟器AirSim快速入门 | 03】模型训练
在本笔记本中,我们将定义网络架构并训练模型。我们还将讨论数据上的一些转换,以回应我们在笔记本的数据探索部分所做的观察。
Win11系统PyTorch环境安装配置
Win11系统PyTorch环境安装配置
主动学习(Active Learning) 概述、策略和不确定性度量
主动学习是指对需要标记的数据进行优先排序的过程,这样可以确定哪些数据对训练监督模型产生最大的影响。
Keras深度学习实战(10)——迁移学习
迁移学习 (Transfer Learning) 是机器学习中的一个重要研究方向,指将一个预训练的模型重新用于另一个任务中,和从零开始训练卷积神经网络相比,利用迁移学习,只需要少量样本即可训练得到性能较好的模型。本文我们将使用预训练的 VGG16 模型利用迁移学习进行性别分类任务实战。...
Curriculum Labeling:重新审视半监督学习的伪标签
Curriculum Labeling (CL),在每个自训练周期之前重新启动模型参数,优于伪标签 (PL)
PyTorch nn.RNN 参数全解析
全面解析 torch.nn.RNN
单目3D车辆检测全流程实战分享-附完整代码
基于M3D-RPN全流程实现单目3D检测,从数据处理到优化和部署的全流程实战分享
物理驱动的深度学习方法入门到详解
物理驱动的深度学习方法入门
使用神经网络模型创建一个龙与地下城怪物生成器
龙与地下城(DND)于1974年发行第一版,现在所有RPG游戏都有它的影子,在本文中我们将使用神经网络构建一个能够生成平衡数据的怪物生成器
【自动驾驶模拟器AirSim快速入门 | 01】自动驾驶模拟器AirSim实战演练
项目面向自动驾驶初学者、研究人员和行业专家。项目以jupter notebook作为载体,使用流行的开源工具(如Keras、TensorFlow等)构建,项目提供数据集、源代码、AirSim模拟器,以便于实现自动驾驶快速仿真。...............