TransUnet官方代码测试自己的数据集（已训练完毕）
首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。权重文件2. 修改test.py文件调整数据集路径。训练和测试时的图像设置相同大小。配置数据集相关信息。手动添加权重。
yoloV5环境搭建与运行（windows+pytorch+kaggle）
环境：Windows+anaconda+pytorch云端GPU：kaggle。
深度学习中的GPU与CUDA
显卡，也称之为 GPU。GPU 的全称是 Graphics Processing Unit（图形处理单元）。它出现的目的一目了然，就是用来显示图像的。没错，就是用来在电脑显示器上显示图像的。大家其实只要知道我们的电脑都有显卡这一点就行了。但我们在深度学习中说的显卡（GPU）一般特指是英伟达（NVID
【torch.nn.Parameter 】参数相关的介绍和使用
是继承自的子类，其主要作用是作为中的可训练参数使用。它与的区别就是会自动被认为是的可训练参数，即加入到这个迭代器中去。具体格式如下：其中 为待传入的 ， 默认为 True。事实上， 中提供的模块中的参数均是 类，例如：参数构造可以看作是一个类型转换函数，将一个不可训练的类型 转换成可以训练的类
神经网络Python实现（9行代码）
神经网络由输入层、输出层和之间若干层（一层或多层）隐含层构成，每一层可以有若干个节点。层与层之间节点的连接状态通过权重来体现。这9行代码就是把上图的1~4组数据作为训练集进行模型训练，不断地更新权重使其输出更接近训练集中给出的输出标签（标准答案），然后将最后一组数据当做测试集来检测模型的准确度，它最
【深度强化学习】(7) SAC 模型解析，附Pytorch完整代码
Deepmind 提出的 SAC (Soft Actor Critic) 算法是一种基于最大熵的无模型的深度强化学习算法，适合于真实世界的机器人学习技能。SAC 算法的效率非常高，它解决了离散动作空间和连续性动作空间的强化学习问题。SAC 算法在以最大化未来累积奖励的基础上引入了最大熵的概念，加入熵
因果推断1--基本方法介绍（个人笔记）
因果推断是基于统计学方法刻画变量之间的因果关系。
YOLO，VOC数据集标注格式
YOLO，VOC数据集标注格式
对sklearn中transform()和fit_transform()的深入理解
对sklearn中transform()和fit_transform()的深入理解
优化算法 | 人工蜂群算法（附Python代码）
十分钟教你掌握人工蜂群算法Python代码
推荐系统笔记（一）：BPR Loss个性化推荐
在常规的推荐系统统计算法中，我们通常是通过现有数据集去计算获取用户对所有商品的得分，但大多情况下我们只需要关系极少数的商品的优先级，而不是所有的商品的排序，并且一些基于矩阵分解和KNN的推荐算法，是没有对排序方法进行优化的，而BPR损失函数能够满足我们的需求。（1）BPR的出发点是优化用户对商品的偏
朴素贝叶斯（Naive Bayes）详解
贝叶斯决策论、朴素贝叶斯原理与算法实现、具体应用。
ParC-Net 论文详解
ECCV 2022 || ParC-Net 一种超越MobileViT的pure ConvNet
联邦学习开山之作代码解读与收获
详细阅读FL代码
Yolov5_v6.2训练数据集进行预测
Yolov5_v6.2环境部署，并在云端训练自己的数据集
跟着AI学AI(1): 线性回归模型
在线性回归中，我们的目标是找到一条直线，使得所有数据点到该直线的距离之和最小。因此，我们的目标是最小化平方误差。具体来说，我们计算损失函数对w和b的偏导数，然后将其乘以学习率并从当前w和b的值中减去。在线性回归模型中，我们使用梯度下降来找到最小化平方误差的最佳拟合直线。具体来说，我们计算损失函数对每
HyperLPR3车牌识别-五分钟搞定: 中文车牌识别光速部署与使用
基于深度学习高性能中文车牌识别 High Performance Chinese License Plate Recognition Framework.快速上手教程
盘点5种最频繁使用的检测异常值的方法（附Python代码）
在统计学中，异常值是指不属于某一特定群体的数据点。它是一个与其他数值大不相同的异常观测值，与良好构成的数据组相背离。例如，你可以清楚地看到这个列表里的异常值：[20, 24, 22, 19, 29, 18, 4300, 30, 18].当观测值仅仅是一堆数字并且是一维时，很容易识别出异常值。但是，当
基于opencv的边缘检测方法
介绍6种基于opencv的边缘检测的方法
Kaggle，上传，GPU，下载
Kaggle的基本使用
