深度学习项目示例 使用自编码器进行模糊图像修复
本文将介绍使用深度学习技术实现一个对图像进行去模糊处理的项目的完整流程，希望对你有所帮助
torch.gather()之通俗易懂讲解
1. 简要介绍2. 深入讲解之化繁为简3. 总结
用于Transformer的6种注意力的数学原理和代码实现
Transformer 的出色表现让注意力机制出现在深度学习的各处。本文整理了深度学习中最常用的6种注意力机制的数学原理和代码实现。
深度学习的显卡对比评测：2080ti vs 3090 vs A100
显卡大幅降价了但是还可以再等等，新的40系列显卡也要发售了，所以我们先看看目前上市的显卡的性能对比，这样也可以估算下40显卡的性能，在以后购买时作为参考。
睿智的目标检测56——Pytorch搭建YoloV5目标检测平台
睿智的目标检测56——Pytorch搭建YoloV5目标检测平台学习前言源码下载YoloV5改进的部分（不完全）YoloV5实现思路一、整体结构解析二、网络结构解析1、主干网络Backbone介绍2、构建FPN特征金字塔进行加强特征提取3、利用Yolo Head获得预测结果三、预测结果的解码1、获得
5篇关于强化学习在金融领域中应用的论文推荐
近年来机器学习在各个金融领域各个方面均有应用，其实金融领域的场景是很适合强化学习应用
2. 3种常见网络重参数化论文、解读、使用方法、实现代码整理（Re-Parameter）
源码下载地址：下载地址目录Re-Parameter(ReP) Series1. RepVGG Usage2. ACNet Usage3. Diverse Branch Block(DDB) Usage【先验知识】首先向各位读者介绍一下卷积的一些基本性质，这几篇论文所提出的重参数操作，都是基于卷积的这
基于Pytorch的强化学习(DQN)之 Multistep TD target
目录1. 引言2. 数学推导3. 文献1. 引言我们之前已经学习了Sarsa算法和Q-learning算法，我们知道这两者都是基于TD算法的，我们又知道TD算法效果改变受TD target影响，我们思考一下，如果我们选用包含真实信息更多的TD target，效果会不会更好呢？下面我们来进行数学推导。
7种不同的数据标准化(归一化)方法总结
本文总结了 7 种常见的数据标准化(归一化)的方法。
论文回顾：Batch Augmentation，在批次中进行数据扩充可以减少训练时间并提高泛化能力
Batch Augmentation(BA)：提出使用不同的数据增强在同一批次中复制样本实例，通过批次内的增强在达到相同准确性的前提下减少了SGD 更新次数，还可以提高泛化能力。
tensorflow安装测试教程【一文读懂】
tensorflow 各个版本安装体验教程、一文读懂
计算机视觉之卷积神经网络
计算机视觉之卷积神经网络
LSTM 已死，事实真是这样吗？
保持理性，通过实践检验才能公正地评估数据科学中的概念
RetinaFace人脸检测使用
本文将介绍如何使用RetinaFace训练模型进行使用代码下载就去github官方https://github.com/biubug6/Pytorch_Retinaface-- 环境搭建打开Anaconda Prompt执行下面代码：1.创建环境：conda create -n retinaface
TensorFlow和Pytorch中的音频增强
本文将介绍TF和Pytorch这两个非常流行的深度学习框架中进行音频数据增强的方法
特征工程：基于梯度提升的模型的特征编码效果测试
树形结构为什么不需要归一化?使用独热编码和标签编码对模型的表现影响大吗？
使用格拉姆角场(GAF)以将时间序列数据转换为图像
这篇文章将会详细介绍格拉姆角场 （Gramian Angular Field），并通过代码示例展示“如何将时间序列数据转换为图像”。
yolov5——训练策略
yolov5——训练策略前言前言yolov5的训练策略big big丰富，这也是yolov5涨分厉害的reason，目前yolov5的使用量也是非常大的，官网的star已经23.5k了，无论是在迁移学习还是实际场景的应用都是非常广泛的。之前参加比赛，发现好几页的选手都在使用yolov5，确实有必要梳
RetinaNet详解（附Pytorch代码讲解）
RetinaNet详细解读
稀疏矩阵的概念介绍
使用稀疏矩阵既可以节省内存，也可以加快训练速度，本文中将介绍系数矩阵的概念并且通过示例介绍在什么时候以及如何使用稀疏矩阵
