DenseNet(密集连接的卷积网络)
DenseNet是指Densely connected convolutional networks（密集卷积网络）。它的优点主要包括有效缓解梯度消失、特征传递更加有效、计算量更小、参数量更小、性能比ResNet更好。它的缺点主要是较大的内存占用。
人工智能(pytorch)搭建模型12-pytorch搭建BiGRU模型，利用正态分布数据训练该模型
大家好，我是微学AI，今天给大家介绍一下人工智能(pytorch)搭建模型12-pytorch搭建BiGRU模型，利用正态分布数据训练该模型。本文将介绍一种基于PyTorch的BiGRU模型应用项目。我们将首先解释BiGRU模型的原理，然后使用PyTorch搭建模型，并提供模型代码和数据样例。接下来
Coursera吴恩达《深度学习》课程总结（全）
01 神经网络和深度学习（Neural Networks and Deep Learning）1-1 深度学习概论主要介绍：主要对深度学习进行了简要概述。首先，我们使用房价预测的例子来建立最简单的单个神经元组成的神经网络模型。然后，我们将例子复杂化，建立标准的神经网络模型结构。接着，我们从监督式学习
注意力机制——ECANet及Mobilenetv2模型应用
SENet、ECA-Net的Mobilenetv2嵌入
[点云学习] 一、点云相关知识了解
点云是一种表示三维空间中对象的数据结构，它由许多离散的点组成。每个点都有自己的位置坐标和可能的其他属性，如颜色、法向量和强度等。点云通常由激光扫描仪、相机或其他传感器捕获，用于创建三维模型、地图或进行遥感分析。在计算机视觉和机器学习领域，点云也被广泛应用于目标检测、物体识别、3D重建和虚拟现实等方面
sparse conv稀疏卷积
"""Args:"""self.features = features # 储存密集的featureself.indices = indices # 储存每个feature对应的voxel坐标系下的坐标self.spatial_shape = spatial_shape #存储voxel的最大边界s
量化自定义PyTorch模型入门教程
基础模型与量化模型具有相似的准确性，但模型尺寸大大减小，这在我们希望将其部署到服务器或低功耗设备上时至关重要。
NeRF必读：Mip-NeRF总结与公式推导
由于远景近景的分辨率不同，导致经典NeRF对于多尺度场景的表达存在明显瑕疵：NeRF对于近景的重建比较模糊而对于远景的重建出现锯齿。简单粗暴的策略是supersampling，但是费时费力。相较于NeRF使用的位置编码（PE）方式，Mip-NeRF提出了积分位置编码的方式（IPE）.这种编码方式可以
C语言：字符函数和字符串函数(一篇拿捏字符串函数！)
C语言：字符串函数和字符函数：strlen(字符串长度)、strcpy(字符串拷贝)、strcat(字符串追加)、strcmp(字符串比较)、strncpy(字符串拷贝)、strncat(字符串追加)、strncmp(字符串比较)、strstr(字符串拷贝)、strtok(字符串分割)、strerr
CV 经典主干网络 (Backbone) 系列: CSP-Darknet53
CSP-Darknet53无论是其作为CV Backbone，还是说它在别的数据集上取得极好的效果。与此同时，它与别的网络的适配能力极强。
openai的 ada，Babbage，Curie，Davinci模型分别介绍一下
具体来说，175亿个参数是指Davinci模型中的参数数量，该模型使用了一个大型的变压器（transformer）神经网络，该神经网络由多个Transformer encoder和decoder层组成。Ada：Ada是OpenAI推出的最新模型，它是一种大规模的、多任务的语言模型，能够执行多种不同的
监督学习、半监督学习、无监督学习、自监督学习、强化学习和对比学习
监督学习、半监督学习、无监督学习、自监督学习、强化学习和对比学习
20用于深度学习训练和研究的数据集
本文将整理常用且有效的20个数据集。
【深度学习】Transformer，Self-Attention，Multi-Head Attention
必读文章：论文名：Attention Is All You Need。
DETR训练自己的数据集
DETR训练自己的数据集
国家信息安全水平考试（NISP一级）考试题库①
希望各位一次过！1、信息有非常多的定义和说法，归结起来可以认为信息就是数据或事件。关于信息，下列说法错误的是（）。（单选题，2分）A.在一定程度上，人类社会的发展速度取决于人们感知信息、利用信息的广度和深度 B.信息无时不在，无处不在，信息是我们行动决策的重要依据 C.电视机、电话机、声波
YOLOv8——CV界的XGBoost
yolov8是ultralytics公司于2023年1月开源的anchor-free的最新目标检测算法框架。封装在ultralytics这个库中：https://github.com/ultralytics/ultralytics它具有以下优点：1，性能速度领先：借鉴了之前许多YOLO版本的tric
报错：RuntimeError: expected scalar type Double but found Float
解决办法：这个是格式问题，希望的格式是double，但得到的是float。字面意思是这个，但是并不是非要把格式改成double，这个时候应该在出错的前面几处代码设个断点debug一下，我得到的结果是image、img_rgb都是tensor.unit8格式的，但程序所需要的是torch.float3
Mip-NeRF 360
Mip-NeRF360
基于自注意力机制的LSTM多变量负荷预测
在之前使用长短期记忆网络构建电力负荷预测模型的基础上，将自注意力机制 (Self-Attention)融入到负荷预测模型中。具体内容是是在LSTM层后面接Self-Attention层，在加入Self-Attention后，可以将负荷数据通过加权求和的方式进行处理，对负荷特征添加注意力权重，来突出负
