Python 实现朴素贝叶斯代码演示
朴素贝叶斯可以细分为三种方法：分别是伯努利朴素贝叶斯、高斯朴素贝叶斯和多项式朴素贝叶斯。下文就这三种方法进行详细讲解和演示。目录一、伯努利朴素贝叶斯方法1.1 例子解答1.1.1 代码：1.1.2 结果：二、高斯朴素贝叶斯方法2.1 解题2.1.1 代码：2.1.2 结果：2.2 检查高斯朴素贝叶斯
翻译: 详细图解Transformer多头自注意力机制 Attention Is All You Need
它们是用于计算和思考注意力的抽象概念。一旦你继续阅读下面的注意力是如何计算的，你就会知道几乎所有你需要知道的关于每个向量所扮演的角色。计算self-attention的第二步是计算一个分数。假设我们正在计算本例中第一个单词“Thinking”的自注意力。我们需要根据这个词对输入句子的每个词进行评分。
图像风格迁移
风格迁移指的是两个不同域中图像的转换，具体来说就是提供一张风格图像，将任意一张图像转化为这个风格，并尽可能保留原图像的内容
YOLOV5更换轻量级的backbone：mobilenetV2
如何更换YOLOV5的backbone
PyTorch常用5个抽样函数
在本文中，我们将介绍PyTorch中的常见抽样函数。抽样是一个统计过程，它从总体中提取一个子集，通过子集来研究整个总体。
语义分割系列15-UPerNet（pytorch实现）
本文介绍了UPerNet论文思想，介绍了UPerNet作者如何创建Multi-task数据集以及如何设计UPerNet网络和检测头来解决Multi-task任务。本文对于UPerNet语义分割部分的模型进行单独复现，所有代码基于pytorch框架，并在Camvid数据集上进行训练和测试。......
YOLOV5-断点训练/继续训练
yolov5-断点训练/继续训练
TransUnet官方代码测试自己的数据集（已训练完毕）
首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。权重文件2. 修改test.py文件调整数据集路径。训练和测试时的图像设置相同大小。配置数据集相关信息。手动添加权重。
从头开始进行CUDA编程：线程间协作的常见技术
在本篇文章我们将介绍一些允许线程在计算中协作的常见技术。
NLP（自然语言处理）
目前存在的问题有两个方面：一方面，迄今为止的语法都限于分析一个孤立的句子，上下文关系和谈话环境对本句的约束和影响还缺乏系统的研究，因此分析歧义、词语省略、代词所指、同一句话在不同场合或由不同的人说出来所具有的不同含义等问题，尚无明确规律可循，需要加强语用学的研究才能逐步解决。对大规模文档进行索引。自
Transformer模型入门详解及代码实现
本文对Transformer模型的基本原理做了入门级的介绍，意在为读者描述整体思路，而并非拘泥于细微处的原理剖析，并附上了基于PYTORCH实现的Transformer模型代码及详细讲解。
clip预训练模型综述
CLIP是一个预训练模型，就像BERT、GPT、ViT等预训练模型一样。首先使用大量无标签数据训练这些模型，然后训练好的模型就能实现，输入一段文本（或者一张图像），输出文本（图像）的向量表示。CLIP和BERT、GPT、ViT的区别在于，CLIP是多模态的，包含图像处理以及文本处理两个方面内容，而B
yolov5模型压缩之模型剪枝
稀疏剪枝
论文推荐：基于深度对抗学习的超声图像乳腺肿瘤分割与分类
条件GAN (cGAN) + Atrous卷积(AC) +带权重块的通道注意力(CAW)
图嵌入概述：节点、边和图嵌入方法及Python实现
本文将提供一个基于图的嵌入算法的高层次的概述。最后还将介绍如何用Python库(如node2vec)来在图上生成各种嵌入。
使用PyTorch实现简单的AlphaZero的算法（2）：理解和实现蒙特卡洛树搜索
本篇文章将实现AlphaZero的核心搜索算法：蒙特卡洛树搜索
使用PyTorch实现简单的AlphaZero的算法（1）：背景和介绍
在本文中，我们将在PyTorch中为Chain Reaction[2]游戏从头开始实现DeepMind的AlphaZero[1]。
论文推荐：基于GE-MRI的多任务学习
医学图像分析，多任务学习，图像分类，图像分割，U-Net，后处理
PyTorch实现非极大值抑制(NMS)
NMS即non maximum suppression即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。
从头开始进行CUDA编程：Numba并行编程的基本概念
本文不是 CUDA 或 Numba 的综合指南，本文的目标是通过用Numba和CUDA编写一些简单的示例，这样可以让你了解更多GPU相关的知识
