深度学习Week9-YOLOv5-C3模块实现（Pytorch）
了解C3的结构，方便后续YOLOv5算法的学习。采用的数据集是天气识别的数据集。 输出：cuda图形变换，输出一下：用到类输出：{'cloudy': 0, 'rain': 1, 'shine': 2, 'sunrise': 3}二、搭建YOLOv5-C3模型2.查看模型详情 统计模型参数量以及其他指
yolov5训练并生成rknn模型以及3588平台部署
瑞芯微RK3588上yolov5目标检测的部署。
yolov5s-5.0网络模型结构图
看了很多yolov5方面的东西，最近需要yolov5得模型结构图，但是网上的最多的是大白老师的，但是大白老师的yolov5得模型结构图不知道是哪个版本得，肯定不是5.0和6.0版本得。参考了大白老师得模型结构图和其他大佬的模型结构图，以及参考了yolov5得onnx。画出了以下得结构图，初次画不知道
为机器学习模型设置最佳阈值：0.5是二元分类的最佳阈值吗
在本文中，我将展示如何从二元分类器中选择最佳阈值。
SegNeXt: 重新思考基于卷积注意力的语义分割
重新设计基于CNN的语义分割，超越Transformer。
要点初见：开源AI绘画工具Stable Diffusion代码分析（文本转图像）、论文介绍（上）
本文深入分析Stable Diffusion所对应的论文High-Resolution Image Synthesis with Latent Diffusion Models，即《具有潜在扩散模型的高分辨率图像合成》，并深入Stable Diffusion项目代码，分析文本转图像部分的代码。
在本地PC运行 Stable Diffusion 2.0
这里我们将介绍如何在本地PC上尝试新版本
粒子群算法(PSO)优化的BP神经网络预测
BP神经网络是一种常见的多层前馈神经网络，本文通过粒子群算法(PSO)对BP神经网络的网络参数进行寻优，得到最优化的网络参数，并与未使用PSO的BP网络对同一测试样本进行预测，对比分析并突出PSO-BP的优越性。
从头开始进行CUDA编程：原子指令和互斥锁
本文是本系列的最后一部分，我们将讨论原子指令，它将允许我们从多个线程中安全地操作同一内存。我们还将学习如何利用这些操作来创建互斥锁
MSE = Bias² + Variance?什么是“好的”统计估计器
本文的目的并不是要证明这个公式，而是将他作为一个入口，让你了解统计学家如何以及为什么这样构建公式，以及我们如何判断是什么使某些估算器比其他估算器更好。
YOLO系列目标检测算法-YOLOv6
YOLO系列文章之YOLOv6。本文通过分析以往YOLO系列算法和最新技术，观察到几处需完善的地方，通过对网络设计、标签分配、损失函数、数据增强、工业便利化改进、量化和部署等进行修改，设计了EfficientRep、SCPStackRep Block、Rep-PAN、decoupled head等结
深度学习修炼（五）——基于pytorch神经网络模型进行气温预测
基于pytorch神经网络模型进行气温预测
使用PyTorch实现简单的AlphaZero的算法（3）：神经网络架构和自学习
神经网络架构和训练、自学习、棋盘对称性、Playout Cap Randomization，结果可视化
华为开源自研AI框架昇思MindSpore应用实践：DCGAN生成漫画头像
华为开源自研AI框架昇思MindSpore教程：DCGAN生成漫画头像
Pytorch:手把手教你搭建简单的全连接网络
利用pytorch搭建简单全连接网络的步骤，适合初学者快速上手
YOLOv5训练结果分析
YOLOv5训练结果分析
目标检测算法——YOLOv5/YOLOv7改进之结合Swin Transformer V2（涨点神器）
目标检测算法——YOLOv5/YOLOv7结合Swin Transformer V2
BT - Unet:生物医学图像分割的自监督学习框架
BT-Unet采用Barlow twin方法对U-Net模型的编码器进行无监督的预训练减少冗余信息，以学习数据表示。之后，对完整网络进行微调以执行实际的分割。
Pytorch文档解读|torch.nn.MultiheadAttention的使用和参数解析
整体称为一个单注意力头，因为运算结束后只对每个输入产生一个输出结果，一般在网络中，输出可以被称为网络提取的特征，那我们肯定希望提取多种特征，[ 比如说我输入是一个修狗狗图片的向量序列，我肯定希望网络提取到特征有形状、颜色、纹理等等，所以单次注意肯定是不够的 ]因为是拼接而成的，所以每个单注意力头其实
使用HuggingFace实现 DiffEdit论文的掩码引导语义图像编辑
在本文中，我们将实现Meta AI和Sorbonne Universite的研究人员最近发表的一篇名为DIFFEDIT的论文。对于那些熟悉稳定扩散过程或者想了解DiffEdit是如何工作的人来说，这篇文章将对你有所帮助。
