Taskonomy 多任务学习
Taskonomy 多任务迁移学习数据集解析下载及任务详解
Pytorch学习笔记（六）——Sequential类、参数管理与GPU
目录一、torch.nn.Sequential一、torch.nn.SequentialSequential 本质是一个模块（即 Module），根据Pytorch中的约定，模块中可以继续添加模块。这意味着我们可以在 Sequential 中添加其它的模块（当然也可以添加其他的 Sequential
通俗解读人脸检测框架-RetinaFace
2019年何凯明提出Focal Loss时为了验证Focal Loss的可行性，顺便（没错，就是顺便）提出了RetinaNet。RetinaFace是在RetinaNet基础上引申出来的人脸检测框架，所以大致结构和RetinaNet非常像。
Pytorch安装，这一篇就够了，绝不踩坑
在pytorch安装时踩到了不少坑，看了好多博客，最后整合了一份不会踩坑的安装教程，主要是参考各个博主的内容，从零开始安装pytorch，分享给大家！因为这篇文章是整合各个链接，所以我自己可能写的比较简略，只是为大家提供一个流程，解释的不明白的就点进各位大佬的博客详细看就可以了。最重要的是：这些链接
深度学习之梯度下降与优化
参考简单认识Adam优化器 - 知乎三种梯度下降算法的比较和几种优化算法 - 知乎pytorch学习系列（4）：常用优化算法_ch ur h的博客-CSDN博客一、问题的提出大多数机器学习或者深度学习算法都涉及某种形式的优化。 优化指的是改变 以最小化或最大化某个函数 的任务。 我们通常以最小化
YOLOv5解析 | 第一篇：快速部署YOLOv5模型
大家好，我是『K同学啊』！拖了好久，终于要开始目标检测系列了。自己想过好几次，想尽快出几期目标检测算法的博客教程，但是一直苦于不知道如何写，才能让大家轻松、快速、高效的入门目标检测算法。这段时间终于有个一个比较靠谱的思路。我是这样计划的：首先，带大家先将算法跑起来，不然都不知道在干嘛，纯理论的东西看
Residual, BottleNeck, Inverted Residual, MBConv的解释和Pytorch实现
上篇ConvNext的文章有小伙伴问BottleNeck，Inverted Residual的区别，所以找了这篇文章，详细的解释一些用到的卷积块，当作趁热打铁吧
使用PyTorch复现ConvNext：从Resnet到ConvNext的完整步骤详解
ConvNext论文提出了一种新的基于卷积的架构，不仅超越了基于 Transformer 的模型（如 Swin），而且可以随着数据量的增加而扩展！今天我们使用Pytorch来对其进行复现。
Windows下pytorch-gpu安装以及CUDA详细安装过程 附带各个版本安装包
2.Cuda的下载安装及配置2.1安装Cuda2.1.1查看本机是否有独立显卡首先我们要确定本机是否有独立显卡。在计算机-管理-设备管理器-显示适配器中，查看是否有独立显卡。可以看到本机有一个集成显卡和独立显卡NVIDIA GeForce RTX 2080 SUPER...
【深度学习】| 基于keras以及cv2实现人脸识别
利用python下的keras、cv2实现人脸识别认证以及7种微表情、性别识别
【深度学习】初识ndarray
文章目录前言1. 矩阵操作1.1 ndarray1.2 创建行向量1.3 改变张量的形状1.4 获取张量中的元素个数2. 创建矩阵2.1 创建一个全是0的矩阵2.2 创建一个全是1的矩阵2.3 创建随机数矩阵3. 矩阵运算总结前言主要介绍pytorch中对于ndarray的一些基础操作；1. 矩阵操
【人工智能】话说人工智能与人工神经网络的历程
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。那么，它的发展历程是经历了什么过程呢？
全网首发，Swin Transformer+FaceNet实现人脸识别
一、 简介与其他的深度学习方法在人脸上的应用不同，FaceNet并没有用传统的softmax的方式去进行分类学习，然后抽取其中某一层作为特征，而是直接进行端对端学习一个从图像到欧式空间的编码方法，然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。FaceNet主要有两个重点：Backbone和Tr
机器学习决策树作业
机器学习决策树作业
2022年关于损失函数的5篇最新论文推荐
2022年最新的损失函数论文总结
BRIO：抽象文本摘要任务新的SOTA模型
在 SimCLS [2]论文发布后不久，作者又发布了抽象文本摘要任务的SOTA结果 [1]。BRIO在上述论文的基础上结合了对比学习范式。
学习笔记：深度学习（8）——基于PyTorch的BERT应用实践
使用PyTorch将BERT嵌入网络进行应用的一次初尝试！
一般神经网络(DNN)反向传播过程
DNN反向传播过程多元函数微分损失函数都是标量函数，它使用范数损失将向量转换为标量。计算损失函数在第L层输入的导数是一种标量对向量的求导。实际上不论是几维向量，都可以视为一列多元函数的自变量数组。例如，m×nm\times nm×n维度的矩阵{Wij}\{W_{ij}\}{Wij}可以转化为一列多
ICLR 2022的10篇论文推荐
一千多篇论文，19个研讨会和8次邀请演讲。 所以我整理了10篇论文作为推荐，希望对你有帮助
