AI遮天传 DL-多层感知机
本文介绍多层感知机，会先按照历史顺序介绍多层感知机诞生前的一些模型，后面介绍具体实现与其算法。
【Make YOLO Great Again】最终版本YOLOv1-v7全系列大解析（全网最详细汇总篇）
全网最详细YOLOv1-v7全系列大解析汇总篇
MMLab
MMLabMMLab的主要研究方向：机器学习、强化学习、半监督/弱监督/自监督学习等方向的前沿方法和理论长视频理解、3D视觉、生成模型等的计算机视觉新兴方向物体检测、动作识别等核心方向的性能突破深度学习的创新应用探索，以及与医疗、社会科学、艺术创作等领域的交叉创新深度学习时代，算法与计算、系统框架、
python3.7安装、Anaconda安装、更新驱动CUDA11.7、安装GPU版本的pytorch
python3.7安装、Anaconda安装、更新驱动CUDA11.7、安装GPU版本的pythorch
绝了，超越YOLOv7、v8,YOLOv6 v3.0正式发布
YOLOv6 全新版本v3.0正式发布！引入新的网络架构和训练方案，其中YOLOv6-S以484 FPS的速度达到45.0% AP，超过YOLOv5-S、YOLOv8-S，其代码刚刚开源。由于前段时间Ultralytics公司透露出V8的发布消息，美团也坐不住了，YOLO社区一直情绪高涨！随着中
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
