谷歌Colab（免费算力平台）——正确打开方式（常用操作指导tips）
谷歌Colab算力平台的正确打开方式！！常用操作指导：数据集问题、谷歌云盘和colab的使用、jupyter指令、colab中的路径问题、如何再colab中使用GPU等等。
多智能体强化学习MAPPO源代码解读
多智能体强化学习MAPPO源代码解读在上一篇文章中，我们简单的介绍了MAPPO算法的流程与核心思想，并未结合代码对MAPPO进行介绍，为此，本篇对MAPPO开源代码进行详细解读。本篇解读适合入门学习者，想从全局了解这篇代码的话请参考博主小小何先生的博客。论文名称：The Surprising Eff
yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署
yolov8 瑞芯微RKNN和地平线Horizon芯片仿真测试部署。包含模型、测试图片和完整测试代码。跟上技术的步伐，yolov8 首个板端芯片部署。
anaconda：安装cuda和对应版本的cudnn
复现别人论文的时候经常遇到不同的cuda版本，可以使用anaconda创建虚拟环境，并在不同的虚拟环境中配置对应的cuda版本。
PyTorch多进程模型推理
Python多进程，PyTorch多进程加速模型推理
目标检测算法——收藏|小目标检测难点分析（二）
目标检测算法——收藏|小目标检测难点分析（二）。可利用特征少无论是从基于绝对尺度还是基于相对尺度的定义，小目标相对于大/中尺度尺寸目标都存在分辨率低的问题。低分辨率的小目标可视化信息少，难以提取到具有鉴别力的特征，并且极易受到环境因素的干扰，进而导致了检测模型难以精准定位和识别小目标。
pytorch预训练模型下载保存路径和路径更改
pytorch 预训练模型下载
端到端模型（end-to-end）与非端到端模型
端到端模型（end-to-end）与非端到端模型，pipeline，序列到序列
使用网上服务器（AutoDL）训练模型
租服务器（AutoDL）训练网络模型
二十. 在ROS系统上实现基于PyTorch YOLO v5的实时物体检测
在ROS系统上实现基于PyTorch YOLO v5的实时物体检测
Python NLP自然语言处理详解
在这个大数据时代，几乎所有事物都能用数据描述。数据可以大致分为三类。第一类是用于传播的媒体数据，如图片、音频、视频等。这类数据一般不需要做处理，只需要存储和读取。第二类是数字类数据，其价值很高。因为数字是有一定规律的，从已有数字中发现的规律可以用于预测未来的数据。这也是传统大数据处理与分析的主要方面
卷积 - 3. 分组卷积 详解
1. 起源分组卷积(Group Convolution) 起源于2012年的AlexNet - 《ImageNet Classification with Deep Convolutional Neural Networks》。由于当时硬件资源的限制，因为作者将Feature Maps分给多个GPU
涨点技巧：注意力机制---Yolov5/Yolov7引入CBAM、GAM、Resnet_CBAM
注意力机制全家桶系列之引入CBAM和GAM到yolo，结合通道和空间的注意力机制模块取得了涨点
深度学习分析NASA电池数据（1 数据读取）
利用深度学习NASA电池数据进行分析
【Tensorflow深度学习】实现手写字体识别、预测实战（附源码和数据集 超详细）
【Tensorflow深度学习】实现手写字体识别、预测实战（附源码和数据集 超详细）
FCN全卷积网络理解及代码实现（来自pytorch官方实现）
FCN是首个端对端的针对像素级预测的全卷积网络而换为卷积层之后，最后得到的是1000通道的2D图像，可以可视化为heat map图。一般说的vgg16是D：全连接操作前后：77512（通道）【假设忽略偏置】\color{red}{【假设忽略偏置】}【假设忽略偏置】全连接FC1计算：计算对应某一个结点
用Bibtex导出GB/T 7714等格式引用的方法
1、背景：为什么这tmd会成为一个问题？有的会议期刊，比如ICLR，它在谷歌学术等一众学术搜索引擎上，都只有arxiv的引用出处。比如，针对论文：《Learning invariant representations for reinforcement learning without recons
如何在Kaggle上利用免费Gpu训练Yolox的模型
本文不包含Kaggle的入门步骤，如何上传数据集，如何选择GPU自行学习文章目录*开头的话*一、Kaggle的使用1、**为什么选择Kaggle**2、Kaggle的操作难度二、Yolox代码的更改1.train.py更改2.callbacks.py部分更改3、训练数据的路径更改4、正式训练*末尾的
