Anaconda D2L 虚拟环境安装配置
Anaconda配置d2l环境，包安装
torch.cuda常用指令
torch.cuda常用指令
神经网络与深度学习
神经网络与深度学习复习
3D卷积神经网络详解
1 3d卷积的官方详解2 2D卷积与3D卷积1）2D卷积 2D卷积：卷积核在输入图像的二维空间进行滑窗操作。2D单通道卷积 对于2维卷积，一个3*3的卷积核，在单通道图像上进行卷积，得到输出的动图如下所示：2D多通道卷积 在之前的2D单通道的例子中，我们在一张图像上使用卷积核进行扫描，得
PaddleNLP系列课程二：RocketQA、SKEP（属性级情感分析）、通用信息抽取技术UIE
本文是《AI快车道PaddleNLP系列直播课》学习笔记，暂未完结
Anaconda保姆级安装配置教程（新手必看）
本人深度学习入门小白，创建了一个关于深度学习环境配置的专栏，包括从anaconda到cuda到pytorch的一系列操作，本篇文章为Anaconda的保姆级安装教程，也是环境配置专栏的第一步
深度学习之语义分割算法（入门学习）
深度学习之语义分割算法（入门学习）。小海带近期对语义分割算法比较感兴趣，今后会不断学习以及更新深度学习图像分割领域的知识，感兴趣的小伙伴可以一起讨论交流哇！关于计算机视觉以及YOLO算法改进方面也会偶尔更新一下下，需要代码咨询的小伙伴可以随时给小海带留言喔 ~ 🤞 💕
Pytorch深度学习实战3-7：详解数据加载DataLoader与模型处理
本文以MNIST手写数据集为例，图文讲解Pytorch中操作数据的核心类Dataset和DataLoader，介绍其基本原理和主要的数据预处理方法
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
yolov5如何自定义训练模型？如何加载模型并进行解读
HuggingFace——Accelerate的使用
HuggingFace----Accelerate的使用
paddlepaddle模型的保存和加载
主要介绍了动态图和静态图模型的保存以及模型的加载预测
深度学习：可视化方法（模型可视化，训练过程可视化，特征提取可视化）
深度学习可视化，pytorch（tensorboard/netron）
【Unet系列】（三）Unet++网络
Unet++主要是探索encoder和decoder需要多大的问题，以此为基础，提出了融合不同尺寸Unet结构的网络。创新点就是把不同尺寸的Uent结构融入到了一个网络里。
YOLOV5-网络结构和组件介绍
总的来说在基本网络结构中，会对CSP网络的参数进行确定，而我们将用公式吧参数和给出的深度，宽度参数进行计算，从而算出残差次数的使用次数，也就控制了深度。采用上，下采样灵活的构造特征金字塔。在Yolov5中也是通过这样的方式 ，当时Yolov5采用了一个更好的方式，可以使得加灰边的大小尽可能的小，可以
从GPT到chatGPT（一）：GPT1
GPT1，出自于OpenAI的论文，是最早的将transformer以多层堆叠的方式构成语言模型的模型，其出现时间早于BERT，但二者有一个最大的区别在于BERT只用的是transformer的encoder层，而GPT1只用了transformer的decoder层。除此以外二者在目标函数等地方也
Pytorch 05-进阶训练技巧
PyTorch在torch.nn模块为我们提供了许多常用的损失函数，比如：MSELoss，L1Loss，BCELoss...... 但是随着深度学习的发展，出现了越来越多的非官方提供的Loss，比如DiceLoss，HuberLoss，SobolevLoss...... 这些Loss Functio
【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
由于医学影像界缺乏高质量标注，半监督学习方法在图像语义分割任务中受到高度重视。为了充分利用视觉转换器(ViT)和卷积神经网络(CNN)在半监督学习中的强大功能，本文提出了一种基于一致性感知伪标签的自集成方法。我们提出的框架包括一个由ViT和CNN相互增强的特征学习模块，以及一个用于一致性感知目的的健
基于CNN卷积神经网络实现中文手写汉字识别
中国版的 MNIST 数据集是在纽卡斯尔大学的一个项目框架中收集的数据。一百名中国公民参与了数据收集工作。每个参与者用标准的黑色墨水笔在一张桌子上写下所有 15 个数字，在一张白色 A4 纸上画出了 15 个指定区域。这个过程对每个参与者重复 10 次。每张纸都以 300x300 像素的分辨率扫描。
机器学习中的数学——距离定义（一）：欧几里得距离（Euclidean Distance）
欧几里得距离或欧几里得度量是欧几里得空间中两点间的即直线距离。使用这个距离，欧氏空间成为度量空间，相关联的范数称为欧几里得范数。nnn维空间中的欧几里得距离：d(x,y)=∑i=1n(xi−yi)2=(x1−y1)2+(x2−y2)2+⋯+(xn−yn)2d(x, y)=\sqrt{\sum_{i=
逐行讲解BiLSTM+CRF实现命名实体识别(NER)
使用BiLSTM+CRF做中文命名实体识别(NER)，数据处理、建立词表、模型构建、训练过程书写等，代码有详细注释，若有遗漏或不详细可评论补充。
