【机器学习项目实战10例目录】项目详解 + 数据集 + 完整源码
本专栏整理了《机器学习项目实战10例》，内包含了各种不同的入门级机器学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
anaconda完全卸载方法
由于自己的anaconda版本太老了一直没更新，想更新一下，但未更新成功，于是想要重新卸载安装，本次卸载总结了他人方法，现归纳出一套本人亲测可行的完全卸载方法。# 进入命令行模式记住这里一定要打开anaconda的命令行模式，并用管理员身份进入。# 删除虚拟环境使用以下命令查询已建的虚拟环境，bas
最适合入门的100个深度学习实战项目
本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
改进YOLO：YOLOv5结合swin transformer
yolov5改进，添加swing transformer
PyTorch安装与配置教程（2022.11）
PyTorch安装与配置教程（2022.11）
OpenCV之 BGR、GRAY、HSV色彩空间&色彩通道专题 【Open_CV系列（三）】
OpenCV之色彩空间与通道 文章目录 1.色彩空间 1.1 BGR色彩空间 1.2 GRAY色彩空间 1.3 HSV色彩空间 1.4 空间转换 1.4.1 BGR 转 GRAY 1.4.2 BGR 转 HSV 2. 色彩通道 2.1 色彩通道的拆分 2.1.1 cv2.split() 拆分BGR通
【生成模型】DDPM概率扩散模型（原理+代码)
DDPM即 Denoising Diffusion Probabilistic Model概率扩散模型，原理+代码解析
Tensorflow车牌识别完整项目（含完整源代码及训练集）
基于TensorFlow的车牌识别系统设计与实现，运用tensorflow和OpenCV的相关技术，实现车牌的定位、车牌的二值化、车牌去噪增强、图片的分割，模型的训练和车牌的识别等
FPN网络详解
特征金字塔(Feature Pyramid Networks， FPN)的基本思想是通过构造一系列不同尺度的图像或特征图进行模型训练和测试，目的是提升检测算法对于不同尺寸检测目标的鲁棒性。但如果直接根据原始的定义进行FPN计算，会带来大额的计算开销。为了降低计算量，FPN采用一种多尺度特征融合的方法
李沐《动手学深度学习》d2l——安装和使用
今天想要跟着沐神学习一下循环神经网络，在跑代码的时候，d2l出现了问题，这里记录一下解决的过程，方便以后查阅。
出现 CUDA out of memory 的解决方法
（我的网络调整不可行，但是你们可试试这个方法排查），可能有些人可以调整。既然网络过大，调整其batch_size，让其变小即可（需要是2的倍数），减少原本需要 requires_grad=True 的计算的内存消耗。这个方法坏处是精度准确度可能会被影响，甚至减少后，反向传播期间会溢出。类似以下代码，
28个数据可视化图表的总结和介绍
在这篇文章中，我们将整理我们能看到的所有数据可视化图表。如果你是数据科学初学者，那么本文将是最适合你的。
盘点10个冷门Python库，原来Python还能实现这些功能？
盘点10个冷门的Python库，其中有数据处理库、深度学习可视化库、解放双手的脚本库等等，不怕你没用过就怕你不知道
【吴恩达机器学习笔记】十七、总结
📣专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。📚专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。
Mindspore-训练模型
Mindspore-训练模型
Mindspore体验dcgan生成漫画头像
在第一篇中我们实现了昇思平台的安装与初体验，这一次我们可以进行对它深入的了解与尝试。想要了解安装部署的同学请去看我的第一篇哈。本文对通过昇思框架实现对抗神经网络实现动漫头像识别以及会遇到的问题进行了简单的介绍。最后自己生成的动漫头像也是非常的有意义，值得一试。欢迎大家加入昇思社区，一起讨论昇思框架的
【OpenCV 例程 300篇】251. 特征匹配之暴力匹配
基于特征描述符的特征点匹配是通过对两幅图像的特征点集合内的关键点描述符的相似性比对来实现的。暴力匹配（Brute-force matcher）是最简单的二维特征点匹配方法。在OpenCV中提供了cv::BFMatcher类实现暴力匹配。
猿创征文｜【Python数据科学快速入门系列 | 05】常用科学计算函数
本文以鸢尾花的数据预处理为例，描述了科学计算在机器学习使用的示例。
Python进阶——网课不愁系列AI换脸技术
AI换脸，网课期间你就是最靓的崽
one-hot编码
one-hot编码，又称独热编码、一位有效编码。one hot在特征提取上属于词袋模型(bag of words)优缺点分析优点：- 一是解决了分类器不好处理离散数据的问题- 二是在一定程度上也起到了扩充特征的作用(上面样本特征数从3扩展到了9)缺点：- 它是一个词袋模型，不考虑词与词之间的顺序-
