TensorFlow2 入门指南 | 16 默认内置指标 & 自定义指标
本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架。
2022 年 1 月推荐阅读的四篇深度学习论文
自举元学习到深度学习的时间序列预测，外推与泛化之间的关系与 Ridge Rider 探索多样化最优
pytorch——VGG网络搭建
目录????VGG介绍????那VGG它到底厉害在哪里呢？????那什么是感受野呢？????计算公式????问题一：????问题二：????网络图????pytorch搭建VGG网络????1. model.py????神奇处理之处????2. train.py3. predict.py????注意
使用 LSTM 进行多变量时间序列预测的保姆级教程
使用 LSTM 进行端到端时间序列预测的完整代码和详细解释。
Vision Transformer详解（附代码）
受NLP\mathrm{NLP}NLP中Transformer\mathrm{Transformer}Transformer扩展成功的启发，Vision Transformer\mathrm{Vision\text{ }Transformer}Vision Transforme
为什么小批量会可以使模型获得更大的泛化
批大小是机器学习中重要的超参数之一。这个超参数定义了在更新内部模型参数之前要处理的样本数量。
TensorFlow2 入门指南 | 15 默认损失函数 & 自定义损失函数
全网最高效的TensorFLow2教程！
PyTorch实现sin函数模拟
PyTorch实现sin函数模拟文章目录PyTorch实现sin函数模拟一、简介二、第一种方法三、第二种方法四、总结一、简介本文旨在使用两种方法来实现sin函数的模拟，具体的模拟方法是使用机器学习来实现的，我们使用Python的torch模块进行机器学习，从而为sin确定多项式的系数。二、第一种方法
论文检索和阅读方法
作为一名研究生，一定要有论文检索和阅读能力，下面的内容是我结合自身经验总结的论文检索和阅读方法,因为我是计算机专业研究生，所以主要关注计算机方面。一.论文查阅DBLP（DataBase systems and Logic Programming）是计算机领域内对研究的成果以作者为核心的一个计算机类英
寒假太无聊？不如几十行写个人脸检测
寒假太无聊？python刚入门就可以写人脸检测？！！！
2021年必读的10 个计算机视觉论文总结
2021 年排名前 10 的计算机视觉论文，包括视频演示、文章、代码和论文参考。
Pytorch 常见运算（mul、mm、dot、mv）
Pytorch 常见运算1.矩阵与标量2.哈达玛积（mul）3.矩阵乘法4.幂与开方5.对数运算6.近似值运算7.剪裁运算1.矩阵与标量矩阵（张量）每一个元素与标量进行操作。import torcha = torch.tensor([1,2])print(a+1)>>> tenso
TensorFlow2 入门指南 | 14 网络模型的装配、训练与评估
本专栏在保证内容完整性的基础上，力求简洁，旨在让初学者能够更快地、高效地入门TensorFlow2 深度学习框架！
神经网络学习小记录66——Vision Transformer（VIT）模型的复现详解
神经网络学习小记录66——Vision Transformer（VIT）模型的复现详解学习前言什么是Vision Transformer（VIT）代码下载Vision Transforme的实现思路一、整体结构解析二、网络结构解析1、特征提取部分介绍a、Patch+Position Embeddin
硬核，机器人只需5秒就跟踪上了爱心曲线
本文基于差速轮式机器人模型做一个运动学应用，即控制机器人两轮的速度差，使机器人快速跟踪上给定曲线，提供仿真代码和实车演示！广泛应用于智能车竞赛、学术研究等。
5 个PyTorch 中的处理张量的基本函数
每个深度学习初学者都应该知道这5个Pytorch 的基本函数。
[人工智能-深度学习-72]：卷积神经网络 - 空间金字塔池化SPP-Net网络与Pytorch代码实现
作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录第1章SPP-Net网络概述1.1 什么是SPP-Net？1.2 SPP-Net的基本思想1.3SPP-Net的好处与优点第2章SPP网络结构2.1 SPP金字塔池化层的位置2.2 SPP的特征提
如何微调BERT模型进行文本分类
探索BERT并了解如何为任何文本分类任务对其进行微调
2021年Graph ML热门趋势和主要进展总结
对于 Graph ML 来说2021年是重要的一年——成千上万的论文、无数的会议和研讨会......说明这个领域是在蓬勃的发展。我将Graph ML 这一年的进展进行结构化的展示，并重点介绍 🔥 趋势和主要进步。
