PyTorch常用5个抽样函数
在本文中，我们将介绍PyTorch中的常见抽样函数。抽样是一个统计过程，它从总体中提取一个子集，通过子集来研究整个总体。
【代码实践】使用CLIP做一些多模态的事情
CLIP到底有多强，让我们来试试吧！CLIP模型及代码地址：GitHub - openai/CLIP: Contrastive Language-Image Pretraining一、准备环境先创建一个anaconda虚拟环境，包含python=3.7版本，将该环境命名为clip。成功。（ pyto
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。
PyTorch实现非极大值抑制(NMS)
NMS即non maximum suppression即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。
语义分割系列6-Unet++（pytorch实现）
本文介绍了Unet++网络，在pytorch框架上复现Unet++，并在Camvid数据集上进行训练。
DCGAN理论讲解及代码实现
DCGAN也叫深度卷积生成对抗网络，DCGAN就是将CNN与GAN结合在一起，生成模型和判别模型都运用了深度卷积神经网络的生成对抗网络。DCGAN将GAN与CNN相结合，奠定了之后几乎所有GAN的基本网络架构。DCGAN极大地提升了原始GAN训练的稳定性以及生成结果的质量...
YOLOv5+姿态估计HRnet与SimDR检测视频中的人体关键点
一、前言由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。本文根据SimDR工程实现视频关键点检测。SimDR根据HRne
使用CycleGAN训练自己制作的数据集，通俗教程，快速上手
总结了使用**CycleGAN**训练自己制作的数据集，这里的教程例子主要就是官网给出的斑马变马，马变斑马，两个不同域之间的相互转换。教程中提供了官网给的源码包和我自己调试优化好的源码包，大家根据自己的情况下载使用，推荐学习者下载我提供的源码包，可以少走一些弯路，按照我的教程，能较快上手训练使用..
yolov5加入CBAM,SE,CA,ECA注意力机制，纯代码（22.3.1还更新）
CBAM,SE,ECA,CA注意力添加到yolov5网络中，5.0版本
CPU版本的Pytorch安装教程（AMD显卡），附详细图解
Windows11+AMD显卡+pycharm3.9.7+CPU版本的Pytorch
yolov5-6.0/6.1加入SE、CBAM、CA注意力机制（理论及代码）
yolov5-6.0/6.1加入SE、CBAM、CA注意力机制（理论及代码）
深度强化学习-DDPG算法原理与代码
引言Deep Deterministic Policy Gradient (DDPG)算法是DeepMind团队提出的一种专门用于解决连续控制问题的离线式(off-line)深度强化学习算法，它其实本质上借鉴了Deep Q-Network (DQN)算法里面的一些思想。本文就带领大家了解一下这个算法
Google Colab 无敌详细使用教程
目录什么是Google Colab谷歌云盘（Google Driver）一、使用Colab进行训练1.数据集的上传2、预训练权重的上传3.深度学习网络的上传二、打开Colab并配置环境1、笔记本的创建2、环境的简单配置3、深度学习网络的下载4、数据集的复制与解压5、保存路径设置三、开始训练1、标注文
YOLOv5改进之YOLOv5+GSConv+Slim Neck
3、修改配置文件，将YOLOv5s.yaml的Neck模块中的Conv换成GSConv ，C3模块换为VoVGSCSP。将YOLOv5s.yaml的Neck模块中的Conv换成GSConv，C3模块换为VoVGSCSP。2、找到yolo.py文件里的parse_model函数，将类名加入进去，注意有
CUDA（10.2）＋PyTorch安装加配置 详细完整教程
CUDA安装PyTorch安装
全局平均池化/全局最大池化Pytorch实现：
全局池化与普通池化的区别在于“局部区域”和“全局”：普通池化根据滑动窗口以及步长以逐步计算局部区域的方式进行；而全局池化是分别对每个通道的所有元素进行计算，谓之全局池化。大大降低计算的参数量；没有需要学习的参数，可以更好的避免过拟合；更能体现输入的全局信息；拿一个简单的网络验证参数量下降（此处只计算
Anaconda的虚拟环境的包在哪里？（详细教程）
Anaconda
有关optimizer.param_groups用法的示例分析
pytorch 1.11.0作为测试，param_groups用法探索`optimizer.param_groups`： 是一个list，其中的元素为字典；`optimizer.param_groups[0]`：长度为7的字典，包括['**params**', '**lr**', '**betas*
torch.nn.Parameter()函数的讲解和使用
torch.nn.Parameter()函数的讲解和使用
Openai神作Dalle2理论和代码复现
Openai神作Dalle2理论和代码复现
