深度学习系列25：注意力机制
1. 从embedding到Encoder-Decoder1.1 Embedding首先需要用到embedding，把K维的0-1特征向量用k维的浮点数特征向量表示。直观代码如下：from keras.models import Sequentialfrom keras.layers import
torch.nn.functional.interpolate()函数详解
通常可以使用pytorch中的torch.nn.functional.interpolate()实现插值和上采样。上采样，在深度学习框架中，可以简单理解为任何可以让你的图像变成更高分辨率的技术。input(Tensor):输入张量size(intor Tuple[int] or Tuple[int,
【深度学习】--图像处理中的注意力机制
注意力机制是一个非常有效的trick，注意力机制的实现方式有许多。可以在知网上搜索一下yolov下的目标监测的硕士论文，没有一篇没有提到注意力机制的迭代修改的，所以很有必要学一下,最后给出了一个例子。输入还是等于输出，可是却是已经获取和注意力的特征．正是因为这个特点，所以注意力机制可以任意插拔。 *
超实用的7种 pytorch 网络可视化方法，进来收藏一波
引导前言1. torchsummary2. graphviz + torchviz3. Jupyter Notebook + tensorwatch4. tensorboardX5. netron6. hiddenlayer7. PlotNeuralNet结语前言网络可视化的目的一般是检查网络结构的
毕业设计-基于深度学习火灾烟雾检测识别系统-yolo
毕业设计-基于深度学习火灾烟雾检测识别系统-yolo
YOLOv8项目推理从CPU到GPU
YOLOv8项目推理从CPU到GPU；YOLOv8；从CPU到GPU。
Huggingface微调BART的代码示例：WMT16数据集训练新的标记进行翻译
BART模型是用来预训练seq-to-seq模型的降噪自动编码器（autoencoder）。它是一个序列到序列的模型，具有对损坏文本的双向编码器和一个从左到右的自回归解码器，所以它可以完美的执行翻译任务。
DDPG强化学习的PyTorch代码实现和逐步讲解
深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)是受Deep Q-Network启发的无模型、非策略深度强化算法，是基于使用策略梯度的Actor-Critic，本文将使用pytorch对其进行完整的实现和讲解
pytorch2.0安装与体验
pytorch2.0 相对1.x进行了大版本更新，向下兼容！！！！通过官网阅读可知他最大的更新是torch.compile()，通过编译的方式，用一行代码实现模型的稳定加速。这个语句返回一个原来模型的引用，但是将forward函数编译成了一个更优化的版本。PyTorch 2.0 中支撑 torch.
NLP / LLMs中的Temperature 是什么?
ChatGPT, GPT-3, GPT-3.5, GPT-4, LLaMA, Bard等大型语言模型的一个重要的超参数
AI风暴 ：文心一言 VS GPT-4
AI风暴 ：文心一言 VS GPT-4
yolov7数据集格式用于目标识别与实例分割
解释yolov7目标识别与实例分割使用的数据集格式
经典神经网络论文超详细解读（七）——SENet（注意力机制）学习笔记（翻译＋精读＋代码复现）
SENet论文（《Squeeze-and-Excitation Networks》）超详细解读。翻译＋总结。文末有代码复现
Pointpillars三维点云实时检测
实现实时检测的pointpillars
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
详解：yolov5中推理时置信度，设置的conf和iou_thres具体含义
深入探讨YOLOv8 网络架构
我们的基准测试是在英特尔的支持下开发的，是计算机视觉从业者的基准测试，旨在为以下问题提供更好的答案：“该模型在我的自定义数据集上的表现如何？由于我们知道这个模型会不断改进，我们可以将最初的 YOLOv8 模型结果作为基线，并期待随着新迷你版本的发布而进行未来的改进。下面的箱线图告诉我们，当针对 Ro
【YOLOV5-6.x讲解】数据增强方式介绍+代码实现
数据增强的作用：分割需要在像素级别进行标签标注，一些专业领域的图像标注，依赖于专业人士的知识素养，在数据集规模很小的情况，如何提高模型的表现力迁移学习：使得具有大量标注数据的源域帮助提升模型的训练效果数据增强 学习到空间的不变形，像素级别的不变形特征都有限，利用平移，缩放，旋转，改变色调值等方法，让
【修改huggingface transformers默认缓存文件夹】
huggingface transformers; 默认缓存目录
Pytorch—模型微调（fine-tune）
对于不同的层可以设置不同的学习率，一般情况下建议，对于使用的原始数据做初始化的层设置的学习率要小于（一般可设置小于10倍）初始化的学习率，这样保证对于已经初始化的数据不会扭曲的过快，而使用初始化学习率的新层可以快速的收敛。
聊聊关于图像分割的损失函数 - BCEWithLogitsLoss
目录1. sigmoid + BCELoss2. BCEWithLogitsLoss3. gossip本篇文章是在做图像分割任务，关于损失函数的一些内容。这里需要的损失函数是：BCEWithLogitsLoss() 就是：sigmoid + BCELoss接下来通过例子来讲解，例如图像分割的时候，网
