6个可解释AI (XAI)的Python框架推荐
随着人工智能的发展为了解决具有挑战性的问题，人们创造了更复杂、更不透明的模型。在本文中，我将介绍6个用于可解释性的Python框架。
【深度学习】(问题记录)＜对一个变量求梯度得到什么＞-线性回归-小批量随机梯度下降
种瓜得瓜，种豆得豆。变量是什么形状，对这个变量求得的梯度就是什么形状。我之所以下意识地以为得到的会是一组值而不是一个值，是因为前面看了个对矩阵求梯度的例子，得到的是一组值（一个矩阵）。然后看到这里就混淆了，这里我们求梯度的每个参数对象是一个单个的值，只是数据样本有多个。对矩阵（向量）求梯度梯度是个矩
【机器学习算法】神经网络与深度学习-9 递归神经网络
递归神经网络RNN，用来解决序列型，有滞后性问题的神经网络
Anaconda3安装及jupyter环境配置（tensorflow）（Windows）
Anaconda3安装及jupyter环境配置（tensorflow）
RepVGG论文详解以及使用Pytorch进行模型复现
RepVGG 是2021 CVPR的一篇论文，在本文中首先介绍了他如何过河拆桥，白嫖了多分枝架构的性能，然后再使用Pytorch复现RepVGG模型，告诉你如何进行白嫖的操作。
【机器学习算法】神经网络与深度学习-5 深度学习概述
深度学习概述，为之后普通深度网络DNN和深度信念网络DBN（会在自动特征学习中说其中的一种，它的变型太多了）和卷积神经网络CNN，打下框架
【机器学习网络】BP神经网络与深度学习-6 深度神经网络（deep neural Networks DNN）
深度神经网络（deep neural Networks DNN）
cpu和gpu已过时，npu和apu的时代开始
🌎CPU是中央处理器。其实就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。CPU的结构主要包括运算器（ALU，ArithmeticandLogicUnit）、控制单元（CU,ControlUnit）、寄存器（Register）、高速缓存器（Cache）和它们之间通讯的数据、控制
使用三重损失和孪生神经网络训练大型类目的嵌入表示
在这篇文章中，描述了一种通过在网站内部的用户搜索数据上使用自监督学习技术来训练高质量的可推广嵌入的方法。
代码的表示学习：CodeBERT及其他相关模型介绍
本文将对论文进行简要概述，并使用一个例子展示如何使用。在最后除了CodeBert以外，还整理了最近一些关于他的研究之上的衍生模型。
【机器学习算法】神经网络和深度学习-1 神经网络概述和感知机介绍
神经网络与深度学习是最近的热门话题，产生了很多人工智能上的应用。神经网络概述和感知机介绍
CPU、GPU、NPU的区别
CPU、GPU、NPU的区别
微调LayoutLM v3进行票据数据的处理和内容识别
在本文中，我们将在微软的最新Layoutlm V3上进行微调，并将其性能与Layoutlm V2模型进行比较。
我，AI博士生，在线众筹研究主题
AI崛起十年之后，一些低垂的研究果子能摘的基本都被研究者们摘完了，隐藏在高处的果子一般人很难拿下。现在，很多研究者拔剑四顾心茫然，尤其对刚刚踏入AI领域的博士生，很难找到新的研究突破点，随着深度学习“撞墙”的唱衰声不断，大家也就只好卷各种SOTA了。当然，不少有追求的研究者都在思索和探究，这个领域还
人脸识别系统技术方案
在人工智能技术的快速发展进程下，现在很多小区或办公楼已经用上了人脸识别智能门禁系统。如今很多地方出入写字楼不用刷卡识别，直接刷脸就可以进入大楼。新型的生物识别代替了传统的识别方式。...
分布式学习和联邦学习简介
在这篇文章中，我们将讨论分布式学习和联邦学习的主要原理以及它们是如何工作的。
【深度学习】（三）图像分类
上一章介绍了深度学习的基础内容，这一章来学习一下图像分类的内容。图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务。从最开始比较简单的10分类的灰度图像手写数字识别任务mnist，到后来更大一点的10分类的cifar10和100分类的cifar100任务，到后来的image
从零开始实现一个简单的CycleGAN项目
pytorch 中CycleGAN（循环一致生成对抗网络）的简单且易于修改的实现
PyTorch 结构重参数化 RepVGGBlock
近年来，卷积神经网络的结构已经变得越来越复杂；得益于多分支结构良好的收敛能力，多分支结构越来越流行但是，使用多分支结构的时候，一方面无法有效地利用并行加速，另一方面增加了MAC为了使简单结构也能达到与多分支结构相当的精度，在训练RepVGG时使用多分支结构(3×3卷积+1×1卷积+恒等映射)，以借助
5分钟NLP：Python文本生成的Beam Search解码
Beam Search不取每个标记本身的绝对概率，而是考虑每个标记的所有可能扩展。然后根据其对数概率选择最合适的标记序列。
