手把手教你深度学习和实战-----卷积神经网络
利用大量的图片来讲解卷积神经网络的原理
BERT模型解析
BERT模型的提出对于NLP预训练的效果有了较大提升，在ELMo模型的基础上使用了Self-Attention作为文本特征的挖掘，同时避免了GPT模型中的单向语言模型，充分利用文本中的上下文特征。
Stable Diffusion搭建全过程记录，生成自己的专属艺术照
项目开发领导者有两位，分别是 AI 视频剪辑技术创业公司 Runway 的 Patrick Esser，和慕尼黑大学机器视觉学习组的 Robin Romabach。这个项目的技术基础主要来自于这两位开发者之前在计算机视觉大会 CVPR22 上合作发表的潜伏扩散模型 (Latent Diffusion
Python＆OpenCV自动人脸打马赛克＆调色系统[源码＆UI操作界面＆部署教程]
Al视频教程AI人脸打马赛克Al颜色检索替换图像处理人脸识别UI界面OpenCV PYTHON教程
CS231n-2022 Module1: Minimal Neural Network case study
本文编译自斯坦福大学的CS231n课程（2022） Module1课程中神经网络部分之一，原课件网页参见：本文（本系列）不是对原始课件网页内容的完全忠实翻译，只是作为学习笔记的摘要，主要是自我参考，而且也可能夹带一些私货（自己的理解和延申，不保证准确性）。如果想要更准确地了解更具体的细节，还请服用原
报错：Torch not compiled with CUDA enabled看这一篇就足够了
报错：Torch not compiled with CUDA enabled看这一篇就足够了
手把手教你深度学习和实战-----线性回归+梯度下降法
本文主要从基础的角度讲解线性回归算法和梯度下降算法，力求用通俗的语言和简单的例子进行算法的讲解。
手把手教你深度学习和实战-----逻辑回归算法
文本从基础的角度对逻辑回归进行了一个讲解，手动推导了逻辑回归的梯度下降法
手把手带你调参Yolo v5 (v6.2)（三）
解析val.py文件中21个参数含义！
使用Torchmetrics快速进行验证指标的计算
TorchMetrics可以为我们提供一种简单、干净、高效的方式来处理验证指标。TorchMetrics提供了许多现成的指标实现，如Accuracy, Dice, F1 Score, Recall, MAE等等，几乎最常见的指标都可以在里面找到。
【深度学习】（五）目标检测——下篇
上一章介绍了目标检测上篇，主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题，不是端到端的模型，几个构件拼凑在一起组成整个检测系统，操作起来比较复杂。而今天介绍的YOLO算法，操作简便且速度快，效果也不错。YOLO算法是一种典型的one-stage方法，
Code For Better 谷歌开发者之声----谷歌云基于TensorFlow高级机器学习
谷歌云基于TensorFlow高级机器学习
深度学习之文本分类 ----FastText
使用FastText进行文本分类，文章解简单介绍FastText的基本介绍、使用方式，对应的数据格式，以及模型调优的方式
【深度学习】6-卷积过程中数据的结构变化
在学习卷积神经网络时，我对于卷积过程中数据的结构变化常感困惑不解（如改变数组的维度顺序），因此在这里做一些整理。
基于深度学习的多人步态识别系统（YOLOV5+DeepSort+GaitSet+Segmentation）
基于深度学习的多人步态识别系统 Yolov5 · DeepSort · Segementation/背景减除法 · GaitSet
如何估算transformer模型的显存大小
本文将详细介绍如何计算transformer的内存占用
深度学习目标检测模型综述
由于这些系统有两个独立的步骤，它们通常需要更长的时间来生成候选，具有复杂的架构并且缺乏全局上下文。它通常被视为一个有监督的学习问题。使用经过训练的大型网络来训练较小的模型，称为蒸馏，也显示出有趣的结果。可以看出，尽管大量目标检测器实现了出色的准确性并实时执行推理，但这些模型中的大多数都需要过多的计算
为什么基于树的模型在表格数据上仍然优于深度学习
在这篇文章中，将详细解释一个被世界各地的机器学习从业者在各种领域观察到的现象——基于树的模型在分析表格数据方面比深度学习/神经网络好得多。
JavaScript-对象，对象是什么，对象能干嘛，对象该怎么用，本篇带你了解js中的对象。
JavaScript-对象，清晰地阐述了对象是什么，对象能干嘛，如何使用对象，对象该在什么时候用
手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例
在8月17日晚上，YOLOv5官方发布了v6.2版本，v6.2版本支持分类模型训练、验证、预测和导出；v6.2版本的推出使得训练分类器模型变得超级简单！
