Halcon深度学习总结
Halcon深度学习
深入浅出Pytorch函数——torch.as_tensor
torch.as_tensor(data, dtype=None, device=None)
深入浅出Pytorch函数——torch.sum
torch.sum(input, dim, keepdim=False, *, dtype=None) → Tensor
CVPR2023论文速递（2023.3.23）！已接入ChatGPT总结！共26篇！
整理：AI算法与图像处理CVPR2023论文和代码整理：https://github.com/DWCTOD/CVPR2023-Papers-with-Code-Demo欢迎关注公众号 AI算法与图像处理，获取更多干货：大家好,最近正在优化每周分享的CVPR论文, 目前考虑按照不同类别去分类,方便不同
一分钟搞懂 微调(fine-tuning)和prompt
一分钟搞懂 微调(fine-tuning)和prompt
缺陷异常检测及定位性能评价指标–AUROC，PRO(per-region-overlap)
缺陷检测及定位性能评价指标
GPT是如何工作的？应用场景有哪些？
比如，给定“我想看陈赫演的爱”，语言模型可能会预测“情”字的概率较高，“乐”字的概率略低，“莲”字的概率也较低。你可能听说过GPT这个词，它是一种人工智能技术，可以生成各种各样的文本，比如小说、诗歌、新闻、对话等。那么，它是如何工作的呢？现实应用场景：GPT可以作为AI生活助手、AI售后客服、办公场
forward函数——浅学深度学习框架中的forward
forward函数是深度学习框架中常见的一个函数，用于定义神经网络的前向传播过程。在训练过程中，输入数据会被传入神经网络的forward函数，然后经过一系列的计算和变换，最终得到输出结果。具体来说，forward函数的作用是将输入数据经过网络中各个层的计算和变换后，得到输出结果。在forward函数
基于VITS 快速微调的本地环境配置、本地训练以及本地推理的教程
该教程能教会读者如何使用本地服务器使用VITS微调训练自己的想要的角色的声音并且本地推理，注意只能使用linux版本进行训练，但是推理可以在windows上完成。
分割常用损失函数
交叉熵损失公式：其中表示真实标签，表表示预测结果。优点：交叉熵Loss可以用在大多数语义分割场景中。缺点：对于只分割前景和背景的时候，当前景像素的数量远远小于背景像素的数量时，即y=0的数量远远大于y=1的数量，损失函数中y=0的成分就会占据主导，使得模型严重偏向背景，导致效果不好。（该缺点对二分类
阿里云免费使用stable diffusion三个月【ai生成图片】详细教程【保姆级】
如图所示 Stable Diffusion WebUI 的操作界面主要分为：模型区域、功能区域、参数区域、出图区域。txt2img 为文生图功能，重点参数介绍：正向提示词：描述图片中希望出现的内容反向提示词：描述图片中不希望出现的内容Sampling method：采样方法，推荐选择 Euler a
百度飞桨 paddleX操作手册
paddleX操作手册
【Win 11】Pytorch-CUDA版 安装指南
笔者在很久之前就装过Pytorch，但当时装的是CPU版本，今天尝试装GPU版本，几经波折，总结一些问题在此，以少走弯路。
视觉大模型DINOv2:自我监督学习的新领域
本文将介绍DINOv2是如何改进的，以及这些进步可能对整个领域有什么影响。
深入浅出Pytorch函数——torch.Tensor
torch.Tensor
深入理解机器学习——偏差（Bias）与方差（Variance）
即刻画了学习问题本身的难度。给定学习任务，为了取得好的泛化性能，则需使偏差较小，即能够充分拟合数据，并且使方差较小，即使得数据扰动产生的影响小一般来说，偏差与方差是有冲突的，这称为偏差方差窘境（Bias-Variance Dilemma）。随着训练程度的加深，学习器的拟合能力逐渐增强，训练数据发生的
目标检测算法——YOLOv5/YOLOv7改进之结合SOCA（单幅图像超分辨率）
CVPR19 单幅图像超分辨率来了！！！基于CNN的超分辨方法虽然取得了最好的结果，但此类方法关注更宽或更深的结构设计，忽略了中间层特征之间的关系。基于此，本文提出了二阶注意力机制(SOCA)更好的学习特征之间的联系，此模块通过利用二阶特征的分布自适应的学习特征的内部依赖关系，SOCA的机制是网
【深度学习实战】基于深度学习的图片风格快速迁移软件（Python源码+UI界面）
【深度学习实战】基于深度学习的图片风格快速迁移软件（Python源码+UI界面）
yolov5算法-学习过程
这张图是在找工作前，回忆yolo系列的发展历程，进行梳理的图。内容可能有一些不准确的地方，请指出。
损失函数——交叉熵损失（Cross-entropy loss）
对于每个类别i，yi表示真实标签x属于第i个类别的概率，y^i表示模型预测x属于第i个类别的概率。对于每个输入数据x，我们定义一个C维的向量y^，其中y^i表示x属于第i个类别的概率。假设真实标签y是一个C维的向量，其中只有一个元素为1，其余元素为0，表示x属于第k个类别。该函数将输入数
