【Pytorch深度学习实战】（10）生成对抗网络（GAN）
第一步我们训练D，D是希望V(G, D)越大越好，所以是加上梯度(ascending)。第二步训练G时，V(G, D)越小越好，所以是减去梯度(descending)。假设我们有两个网络，G（Generator）和D（Discriminator）。G可以生成足以“以假乱真”的图片G(z)。对于D来说
【目标检测】YOLO v5 吸烟行为识别检测
基于YOLO v5 的吸烟目标检测，制作吸烟数据集，训练模型，Windows界面，输出结果，效果较好！mAP值0.8，解决横向项目，毕设，工厂实际需求。
联邦学习开山之作代码解读与收获
详细阅读FL代码
YOLOv7 Backbone| 原文源码详解
YOLOv7Backbone原文源码解读
扩散模型的Prompt指南:如何编写一个明确提示
Prompt（提示）是扩散模型生成图像的内容来源，构建好的提示是每一个Stable Diffusion用户需要解决的第一步。本文总结所有关于提示的内容，这样可以让你生成更准确，更好的图像
computers & security投稿教程
3、需要上传这四个文件，Cover Letter：即是写给编辑的信，发表sci论文需要撰写cover letter(投稿附言)，主要是写关于稿件的说明，可以理解为是推荐自己的稿件，是展现科研成果的绝佳时刻，让期刊的编辑对论文有一个好的印象。Biographical Sketch：小传，对作者的介绍，
快速制作自己的VOC语义分割数据集
PASCAL VOC2012是语义分割任务极为重要的官方数据集，大量优秀的语义分割模型都会刷一下这个数据集，因此我们在使用别人的开源代码时，如果能将自己的数据集整理成官方数据集的格式，则可快速验证模型性能，减少自身工作量。
YOLOv5 CPU和GPU环境搭建（道路识别）
YOLOv5 CPU和GPU环境搭建（道路识别）
Pytorch中loss.backward()和torch.autograd.grad的使用和区别(通俗易懂)
Pytorch中loss.backward()和torch.autograd.grad的使用和区别(通俗易懂)
手把手教你百度飞桨PP-YOLOE部署到瑞芯微RK3588
手把手教你百度飞桨PP-YOLOE部署到瑞芯微RK3588
运用VGG16神经网络进行花朵识别
把数据集的照片进行处理得到向量，花种类名称写入文件class_indices.json中，确定batch_size = 8，运用模型进行训练，反向传播计算梯度，不断更新权重，最终计算损失函数，保存损失最小的模型权重，到vgg16Net.pth文件中。根据vgg16模型建立，在model.py文件中实
训练NeRF模型的几个建议
如何快速训练处一个理想效果的NeRF, instant-ngp给了一些提示
【记录】torch.nn.CrossEntropyLoss报错及解决
不然softmax无法计算，及model的output channel = class number。假设传入torch.nn.CrossEntropyLoss的参数为。根据官网文档，如果直接使用class进行分类，pred的维度应该是。注意在网络输出的channel中加入。，label的维度应该是
【实战篇】是时候彻底弄懂BERT模型了(收藏)
如何弄懂BERT模型，当然是理论+实战了。本文就告诉大家如何实战BERT模型。
深度学习之concatenate和elementwise操作（二）
一、深度学习里面的element-wise特征相乘和相加到底有什么区别？很多深度学习模型在设计时，中间特征在分支处理后，然后可能会采用element-wise相乘或相加，不知道这个乘和加的细微区别？答：相加的两个tensor通常都是具有特征意义的tensor，相乘的话，一般来说，其中一个tensor
手把手教你进行安全帽的佩戴检测（附数据集+代码演示+实验结果）
一起来进行安全帽的佩戴检测
GELU激活函数
GELU激活函数简介
AI画图 Disco-diffusion 本地搭建测试
Disco Diffusion图像生成网络，输入文字输出美图。
Torchtext快速入门（一）——Vocab
深入解读torchtext.vocab.Vocab
（Note）优化器Adam的学习率设置
从统计的角度看，Adam的自适应原理也是根据统计对梯度进行修正，但依然离不开前面设置的学习率。如果学习率设置的过大，则会导致模型发散，造成收敛较慢或陷入局部最小值点，因为过大的学习率会在优化过程中跳过最优解或次优解。同时神经网络的损失函数基本不是凸函数，而梯度下降法这些优化方法主要针对的是凸函数，所
