【深度学习】训练集、测试集和验证集
码字不易，如果各位看官感觉该文章对你有所帮助，麻烦点个关注，如果有任何问题，请留言交流。如需转载，请注明出处，谢谢。文章链接：目录一、深度学习的数据二、训练集、测试集和验证集三、训练集、测试集和验证集的比例一、深度学习的数据 在深度学习或机器学习的过程中，数据无疑是驱动模型的主要能量，通过训练
群体智能优化算法
群体智能优化算法群体智能（SI）源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究，群居性生物通过协作表现出的宏观智能行为特征。群体智能算法有粒子群优化算法(PSO)、蚁群优化算法(ACO)、人工蜂群优化算法(ABC)、差分进化算法(DE)、引力搜索算法(GSA)、萤火虫算法(FA)、蝙蝠算法(
大模型时代来临，智能文档处理该走向何方？
虽然通用人工智能的大门尚未完全叩开,但是我们已经看到了光明的前景。自去年ChatGPT发布以来，大语言模型（Large Language Model, LLM）的发展仿佛瞬间驶入了快车道，每天都能听到对相关话题的讨论。底层视觉研究的初衷在于,计算机所接收的现实图像常常受到噪音干扰,例如扭曲、模糊、光
ChatGPT研究分析：GPT-4做了什么
上一版ChatGPT的主要挑战是，因为模型的训练量极大，很难去进行优化（ChatGPT是fine-tuning的模式）。然后再基于采样值，测算一下幂等函数的相关参数，下一轮就可以只进行少量训练，就去预测最终效果了。至于其他效果上的优化，OpenAI没有进一步解读原理，但整体应该还是基于“训练-奖励”
Keras中如何设置学习率和优化器以及两者之间的关系
Keras对优化器和学习率做了很好的封装，以至于很多人搞不清楚怎么设置学习率，怎么使用优化器，两者到底有什么区别。
脑电EEG代码开源分享 【1.前置准备-静息态篇】
本文档旨在归纳BCI-EEG-matlab的数据处理代码，作为EEG数据处理的总结，方便快速搭建处理框架的Baseline，实现自动化、模块插拔化、快速化。本文以非锁时任务（无锁时刺激，如静息态、运动想象）为例，分享脑电EEG的前置准备方法。前置准备是数据处理的敲门砖，前置准备的主要功能，分为以下4
Pandas 2.0正式版发布： Pandas 1.5，Polars，Pandas 2.0 速度对比测试
这里我们将对比下 Pandas 1.5，Polars，Pandas 2.0 。看看在速度上 Pandas 2.0有没有优势。
深度学习基础之正向传播与反向传播
因为这学期上了一门深度学习的课，老师上课推公式，写密密麻麻一黑板，看也看不清，讲完擦了之后说这推导如果考试必考，人都傻了，只能回过头来看她课件理解理解了。以下都是以计算图为例。
智能车方向环pd控制理解
智能车方向环pd控制理解方向环d的作用方向环p的作用d项与p项的相互影响公式：pER+d(ER-ERL)p为比例项 d为微分项ER为当前车辆与赛道中线的偏差ERL为当前车辆与赛道中线的上次偏差方向环d的作用在智能车转向控制中，车辆的转弯主要取决于d项控制，当车辆由直道入弯时，ER-ERL会变化很大，
目标跟踪算法综述
前言: 目标跟踪是计算机视觉领域研究的一个热点问题，其利用视频或图像序列的上下文信息，对目标的外观和运动信息进行建模，从而对目标运动状态进行预测并标定目标的位置。目标跟踪算法从构建模型的角度可以分为生成式(generative)模型和判别式(discrimination)模型两类；从跟踪目标数量可分
联邦聚合(FedAvg、FedProx、SCAFFOLD)
联邦聚合算法简单对比(FedAvg、FedProx、SCAFFOLD)，简单对比流程上不一样的地方。
【强化学习】策略梯度算法中的损失函数
策略梯度算法的推导，策略梯度算法的实现，策略梯度算法的损失函数的理解。
点云配准--gicp原理与其在pcl中的使用
在概率模型中假设存在配准中两个点集, A^={ai^}\hat{A}=\left\{\hat{a_{i}}\right\}A^={ai^} and B^={bi^}\hat{B}=\left\{\hat{b_{i}}\right\}B^={bi^},并且假设 AAA and BBB 分别服从
丢弃法(Dropout)——原理及代码实现
丢弃法(Dropout)原理及代码实现
常用归一化/正则化层：InstanceNorm1d、InstanceNorm2d、
批量归一化与实例归一化的最大区别在于计算均值及方差的依据不同，实例归一化是对每个样本沿着通道方向独立对各个通道进行计算，而批量归一化则是对所有样本沿着batch的方向对各个通道分别进行计算。比如：输入特征图形状为：(2,3,256,512)，表示有两个256×512的特征图，特征图通道数为3，假设为
人工智能大模型多场景应用原理解析
生成式人工智能是一种基于深度学习的AI技术，其通过学习海量数据中的规律和模式，能够生成新的数据、图像、语言等内容。这种技术在各个行业的应用都能够带来巨大的商业价值作为一个普通人我们应该如何把握住这次技术变革的浪潮呢？
详解机器人标定
这里是机器人在取料之前，先把自己的角度补正到与 物料当前角度一致，到(X’,Y’)位置处，然后移动 CDx,Cdy，与物料位置也重合，然后去取料。可以使用实物标定，机器人抓住工件摆放9个位置，得到9个机械坐标，相机也得到9个像素坐标，（机器人每次需要回到固定位置拍照），然后标定。(X0,Y0)为旋转
机器学习线性回归——实验报告
机器学习实验报告3：线性回归
用PyTorch构建基于卷积神经网络的手写数字识别模型
MINST数据库是机器学习领域非常经典的一个数据集，其由Yann提供的手写数字数据集构成，包含了0-9共10类手写数字图片，每张图片都做了尺寸归一化，都是28x28大小的灰度图。每张图片中像素值大小在0-255之间，其中0是黑色背景，255是白色前景。
torch.optim.Adam() 函数用法
Adam是通过梯度的一阶矩和二阶矩自适应的控制每个参数的学习率的大小。
