Windows10 PyTorch1.5 安装教程 | 很详细
Windows10 PyTorch1.Windows左下角搜索控制面板搜索控制面板打开进入界面，如下所示：点击 NVIDIA 控制面板进入，点击信息信息(I)进入界面，如下所示：点击组件，可以看到当前的的 CUDA 版本信息。总结 Win10 系统查看 CUDA 版本信息方法：在电脑上打开控制面板点
2022预计要火的视觉语言理解和生成：一键生成图像标注，视觉问答，代码开源，官方 Demo 可玩
一键生成图像标注，视觉问答，代码开源，官方 Demo 可玩、一线 AI 资讯速递
使用特征传播重构缺失数据进行图机器学习
本文种展示的特征传播是一种用于处理图机器学习应用程序中缺失的特征的有效且可扩展的方法。它很简单，但效果出奇地好。
如何将pytorch模型部署到安卓
如何将pytorch模型部署到安卓上这篇文章演示如何将训练好的pytorch模型部署到安卓设备上。我也是刚开始学安卓，代码写的简单。环境：pytorch版本：1.10.0模型转化pytorch_android支持的模型是.pt模型，我们训练出来的模型是.pth。所以需要转化才可以用。先看官网上给的转
用普通摄像头测量距离
近年来，由于无人机、无人车等技术的不断成熟，需要用到实时测距的场所也越来越多，如定位，避障，测速等，相比于其他测距方法，单目测距是利用一个摄像头进行视频拍摄，在图像中找到待测物体。这一系列动作，涉及到了物体的识别，相机的结构，坐标变换的一些知识，距离的获取是一个很广泛的课题，用摄像头来测距是其中一个
8个可以提高数据科学工作效率、节省宝贵时间的Python库
在进行数据科学时，可能会浪费大量时间编码并等待计算机运行某些东西。所以我选择了一些 Python 库，可以帮助你节省宝贵的时间。
为什么交叉熵和KL散度在作为损失函数时是近似相等的
在本文中，我们将介绍熵、交叉熵和 Kullback-Leibler Divergence [2] 的概念，并了解如何将它们近似为相等。
使用DistilBERT 蒸馏类 BERT 模型的代码实现
在本篇文章中我们将使用DistilBERT 蒸馏类 BERT 模型，并给出完整的代码实现。
DeepFaceDrawing: 使用草图生成人脸图像
在本文中，介绍了使用人脸设计或草图来制作人脸照片的想法。该技术的应用包括角色设计、教育培训、面部变形和嫌疑人画像等。
手把手教你实现人脸识别，有手就行
包学包会的人脸识别项目
虎年吉祥，Knowledge-based Systems投稿经历分享
knowledge-based Systems投稿经验分享
Swin Transformer代码阅读注释
Swin Transformer代码阅读注释
【万字详解·附代码】机器学习分类算法之K近邻（KNN）
目录什么是K近邻算法？关于空间的一些基本概念几何空间的五条公理向量关于距离的一些基本概念欧氏距离（Euclidean distance）曼哈顿距离(Manhattan Distance)切比雪夫距离 (Chebyshev Distance)闵可夫斯基距离(Minkowski Distance)杰卡德
论文阅读笔记：Swin Transformer
论文阅读笔记：Swin Transformer
2022 年 2 月 arXiv 论文推荐
本篇文章选择了 10 篇论文，这些论文展示了各种 AI 子领域的关键发展：自动强化学习 (AutoRL)、多模态语言模型 (LM)、计算机视觉 (CV) 中的ConvNets vs Transformers 、无监督神经信息 检索 (IR) 等。
从零实现深度学习框架——神经元与常见激活函数
本文来学习深度学习中神经网络的基础构建——神经元，以及常见的激活函数。
对抗子空间维度探讨
对抗子空间定理： 给定 g∈Rdg \in \mathbb{R}^{d}g∈Rd 和 α∈[0,1]\alpha \in[0,1]α∈[0,1]，最大数量为kkk的正交向量r1,r2,…,rkr_1,r_2,\ldots,r_kr1,r2,…,rk 满足∥ri∥2≤1\left\|r_{i}
利用Anaconda安装pytorch搭建深度学习环境
Anaconda安装pytorch搭建深度学习环境
MobileNetV1实战：使用MobileNetV1实现植物幼苗分类
文章目录摘要数据增强Cutout和Mixup项目结构导入项目使用的库设置全局参数图像预处理与增强读取数据设置模型定义训练和验证函数测试摘要本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，演示如何使用pytorch版本的MobileNetV1图像分类模型实现分类任务。通过本文你和学
深入浅出Yolov5之自有数据集训练流程
除了本文，大白还整理了如何深入浅出人工智能行业，算法、数据、目标检测、论文创新点、求职等版块的内容，可以查看：点击查看。此外本文章Yolov5相关的代码、模型、数据等内容，可以查看下载：点击查看。当然下方也列出了，如何通过官方链接的方式，下载的过程，也可以查看。1. 下载Yolov5代码及模型权重1
