Softmax简介
Softmax是一种数学函数，通常用于将一组任意实数转换为表示概率分布的实数。
基于随机森林的特征选择-降维-回归预测——附代码
可以看到，使用两个特征进行预测的准确度为85.2077，与使用所有特征进行预测的准确度相差不大，这表明随机森林特征选择方法有效的选择出了最重要的特征，实现了从大量特征到少数重要特征的特征降维筛选，极大的降低了特征的冗余性。当随机森林评价完成特征的重要性后，还需要对各个特征变量之间的相关性进行评估，以
使用Actor-Critic的DDPG强化学习算法控制双关节机械臂
在本文中，我们将介绍在 Reacher 环境中训练智能代理控制双关节机械臂
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。......
使用LSTM预测结果为一条直线原因总结
使用LSTM预测结果为一条直线原因总结
优化改进YOLOv5算法之添加SE、CBAM、CA模块(超详细)
本文主要是在YOLOv5算法中加入SE、CBAM和CA注意力机制模块，通过实验验证对比，加入CBAM和CA注意力机制后的效果均有所提升
四种类型自编码器AutoEncoder理解及代码实现
慢慢的会设计自己的编码器和解码器。全部都将其搞定都行啦的回事与打算。慢慢的全部都将其搞定都行啦的回事与打算。
chatgpt3接口 国内版免费使用
目前OpenAI公司提供了GPT-3的API服务，允许开发者通过调用API接口，使用GPT-3的功能。总的来说，GPT-3的API接口是一个非常方便和高效的自然语言处理工具，可以帮助您快速解决自然语言处理问题，例如生成文本、回答问题等任务。但需要注意的是，API使用需要遵从OpenAI公司的相关规定
Torch 模型 onnx 文件的导出和调用
OpenNeuralNetworkExchange(ONNX，开放神经网络交换)格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移Torch所定义的模型为动态图，其前向传播是由类方法定义和实现的但是Python代码的效率是比较底下的，试想把动态图转化为静态图，模型的推理速度应当有
NLP自然语言处理简介
NLP自然语言处理简介
从零开始实现VAE和CVAE
扩散模型可以看作是一个层次很深的VAE(变分自编码器)本文将用python从头开始实现VAE和CVAE，来增加对于它们的理解。
yolov5源码解析(10)--损失计算与anchor
本文章基于yolov5-6.2版本。主要讲解的是yolov5在训练过程中是怎么由推理结果和标签来进行损失计算的。损失函数往往可以作为调优的一个切入点，所以我们首先要了解它。
深度学习：图像去雨网络实现Pytorch （二）一个简单实用的基准模型（PreNet）实现
详细介绍了一种简单实用的去雨模型PreNet在Pytorch框架下的搭建过程，供读者参考学习
注意力机制（含pytorch代码及各函数详解）
目录注意力机制非参注意力汇聚概述（不需要学习参数）参数化注意力机制概述正式系统学习1.平均汇聚（池化）2.非参数注意力汇聚（池化）3.带参数注意力汇聚注意力机制不随意线索：不需要有想法，一眼就看到的东西随意线索：想看书，所以去找了一本书1.卷积、全连接、池化层都只考虑不随意线索2.注意力机制则显示的
GAM注意力机制
GAM解析，使用Pytorch实现GAM attention
【使用Pytorch实现ResNet网络模型：ResNet50、ResNet101和ResNet152】
在深度学习和计算机视觉领域取得了一系列突破。尤其是随着非常深的卷积神经网络的引入，这些模型有助于在图像识别和图像分类等问题上取得最先进的结果。因此，多年来，深度学习架构变得越来越深（添加更多层）以解决越来越复杂的任务，这也有助于提高分类和识别任务的性能并使其变得健壮。但是当我们继续向神经网络添加更多
广义回归神经网络（GRNN）的实现（Python，附源码及数据集）
本文对广义回归神经网络（GRNN）的理论基础及建模步骤进行介绍，之后使用Python实现基于GRNN的数据预测，通俗易懂，适合新手学习，附源码及实验数据集。
论文推荐：基于联合损失函数的多任务肿瘤分割
以FFANet为主干，加入分类的分支，将模型扩展为多任务图像分割框架，设计了用于分类和分割的联合损失函数。
基于PyTorch+CNN一维卷积实现短期电力负荷预测
本项目使用了一种基于一维卷积CNN短期电力负荷预测方法，该方法将历史负荷数据作为输入，将输入向量构造为时间序列形式作为 Conv1D 网络的输入，建模学习特征内部动态变化规律，最后完成短期负荷预测。
