365天深度学习训练营-学习线路
要求：学习如何编写一个完整的深度学习程序，并记录学习所得（详细介绍其中一个知识点、简略介绍两个知识点）
实际工作中的高级技术（训练加速、推理加速、深度学习自适应、对抗神经网络）
针对训练数据过于庞大的对策，多GPU训练，加速生产模型的速度，可以认为是离线操作。我们主要看一下基于数据的并行，下面列出了三种并行方式①Model Average（模型平均）②SSGD（同步随机梯度下降）③。......
YOLOv5应用轻量级通用上采样算子CARAFE
手把手教你YOLOv5添加轻量化上采样算子CARAFE
在表格数据集上训练变分自编码器 (VAE)示例
变分自编码器 (VAE) 是在图像数据应用中被提出，但VAE不仅可以应用在图像中。在这篇文章中，我们将简单介绍什么是VAE，以及解释“为什么”变分自编码器是可以应用在数值类型的数据上，最后使用Numerai数据集展示“如何”训练它。
【深度学习】今日bug（8月2)
一. TypeError: ‘method‘ object is not iterable，意思是类型错误“方法”对象不可迭代。二. 自动求梯度，求函数值了吗？
细胞图像数据的主动学习
通过细胞图像的标签对模型性能的影响，为数据设置优先级和权重。
Yolov5更换主干网络之《旷视轻量化卷积神经网络ShuffleNetv2》
通过ChannelSplit替代分组卷积，满足四条设计准则，达到了速度和精度的最优权衡。
使用分类权重解决数据不平衡的问题
在分类任务中，不平衡数据集是指数据集中的分类不平均的情况，会有一个或多个类比其他类多的多或者少的多。
可解释深度学习：从感受野到深度学习的三大基本任务，让你真正理解深度学习！
深度学习一直作为一个“盲盒”被大家诟病，我们可以借助深度学习实现端到端的训练，简单，有效，但是我们并不了解神经网络的中间层到底在做什么，每一层卷积的关注点是什么。我在之前的专题浅谈图像处理与深度学习中提到，我们在深度学习刚开始的时候，我们要实现一个任务，比如：把不清晰的图像变清晰，我们随意的搭建了
使用内存映射加快PyTorch数据集的读取
本文将介绍如何使用内存映射文件加快PyTorch数据集的加载速度
【NLP】Transformer理论解读
Attention Is All You Need
【OpenCV】 车辆识别 运动目标检测
【OpenCV】 车辆识别 运动目标检测，超详细教学，欢迎大家一起交流学习！！！
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
