国庆假期浏览了几十篇YOLO改进英文期刊，总结改进创新的一些相同点(期刊创新点持续更新)
如何寻找自己的创新点呢？重点是如何发？下面将提供几种总结思路。
Ubuntu20.04服务器深度学习环境配置教程以及基于Win10的VScode远程连接开发
基于Win10系统下VScode远程开发的Ubuntu20.04服务器深度学习环境配置教程
[图像识别]12.Opencv案例 超简单人脸检测识别
1.原理：我们使用机器学习的方法完成人脸检测，首先需要大量的正样本图像(面部图像)和负样本图像(不含面部的图像)来训练分类器。我们需要从其中提取特征。Haar特征（这个值等于黑色矩形中的像素值之后减去白色矩形中的像素值和。）会被使用，就像我们的卷积核,每一个特征是一个值。Haar特征值反映了图像的灰
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
V：点，每个点都有自己的特征向量（特征举例：邻居点数量、一阶二阶相似度）E：边，每个边都有自己的特征向量（特征举例：边的权重值、边的定义）U：整个图，每个图都有自己的特征向量（特征举例：节点数量、图直径）传统神经网络（CNN、RNN、DNN）要求输入格式是固定的（如2424、128128等）。但在实
Keras实现vgg16网络和迁移学习
1.VGG-Net介绍，2.keras定义vgg16，3.keras实现vgg16迁移学习 ，4.预测新图-识别猫咪
【torch.argmax与torch.max详解】
方式一，即不指定dim时，默认将张量展开成一维张量，然后返回对应的下标；方式二，即指定dim时，沿着指定的dim维进行选择，输出结果由剩下的维度组成，比如原始维度为H,W，若指定dim=0（即H维),则输出结果由W个元素构成；2）如果有多个最大值则返回第一个最大值的下标；3）返回torch.max函
Vision Transformer和MLP-Mixer联系和对比
本文的主要目标是说明MLP-Mixer和ViT实际上是一个模型类，尽管它们在表面上看起来不同。
《计算机视觉基础知识蓝皮书》第2篇 深度学习基础
深度学习基础知识精讲
【深度学习100例】—— 利用pytorch长短期记忆网络LSTM实现股票预测分析 | 第5例
长短时记忆网络(Long Short Term Memory Network, LSTM)，是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题，目前比较流行。LSTM主要就是加入了三个门控：第一个开关遗忘门：负责控制继续保存长期状态c；第二个开关输入门：负责控制把即时状态输入到长
Java / Tensorflow - API 调用 pb 模型使用 GPU 推理
Java x Tensorflow x GPU 使用与踩坑指南。
Nature子刊：一个从大脑结构中识别阿尔茨海默病维度表征的深度学习框架
脑部疾病的异质性是精准诊断/预后的一个挑战。作者描述并验证了一种名为Smile-GAN（SeMI-supervised cLustEring-Generative Adversarial Network），的半监督深度聚类方法，它研究了与正常大脑结构对比的神经解剖学异质性，从而通过神经影像特征识别疾
【深度学习100例】—— 使用PyTorch实现验证码识别 | 第4例
这里我们需要重写DataSet类，加载我们的验证码数据和label标签文件。# 加载数据集，自己重写DataSet类 class dataset(Dataset) : # root_dir为数据目录，label_file，为标签文件 def __init__(self , root_dir , la
深度学习模型理解-CNN-手写数据字代码
图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。非严格意义上来讲，下图中红框框起来的部分便可以理解为一个滤波器，即带着一组固定权重的神
OpenAi multi-agent 多智能体环境搭建
open-ai Multi-Agent多智能体深度强化学习环境搭建
GAM注意力机制
GAM解析，使用Pytorch实现GAM attention
transformers的近期工作成果综述
在本文中，对基于transformer 的工作成果做了一个简单的总结，将最新的transformer 研究成果(特别是在2021年和2022年发表的研究成果)进行详细的调研。
NNDL 实验五 前馈神经网络（1）二分类任务
前馈神经网络基础
文字生成图片
PaddleHub旨在为开发者提供丰富的、高质量的、直接可用的预训练模型【模型种类丰富】: 涵盖大模型、CV、NLP、Audio、Video、工业应用主流六大品类的 360+ 预训练模型，全部开源下载，离线可运行【超低使用门槛】：无需深度学习背景、无需数据与训练过程，可快速使用AI模型【一键模型快速
Pytorch创建多任务学习模型
一般来说多任务学的模型架构非常简单：一个骨干网络作为特征的提取，然后针对不同的任务创建多个头。利用单一模型解决多个任务。
睿智的目标检测60——Pytorch搭建YoloV7目标检测平台
AB哥弄了个YoloV7，我觉得有必要跟进看看，它的concat结构还是第一次见，感觉有点意思。https://github.com/bubbliiiing/yolov7-pytorch1、主干部分：使用了创新的多分支堆叠结构进行特征提取，相比以前的Yolo，模型的跳连接结构更加的密集。使用了创新的
