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
对抗生成网络（GAN）中的损失函数
L1损失函数又称为MAE(mean abs error)，即平均绝对误差，也就是预测值和真实值之间差值的绝对值。 L2损失函数又称为MSE(mean square error)，即平均平方误差，也就是预测值和真实值之间差值的平方。
可视化VIT中的注意力
ViT中最主要的就是注意力机制，所以可视化注意力就成为了解ViT的重要步骤，所以我们这里介绍如何可视化ViT中的注意力
CycleMLP:一种用于密集预测的mlp架构
CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。
一文通俗入门·脉冲神经网络(SNN)·第三代神经网络
一文通俗入门脉冲神经网络(snn)动力学方程，前向传播过程，学习算法，脉冲编码方式
YOLO家族系列模型的演变：从v1到v8（下）
昨天的文章中，我们回顾了 YOLO 家族的前 9 个架构。本文中将继续总结最后3个框架，还有本月最新发布的YOLO V8.
YOLO家族系列模型的演变：从v1到v8（上）
YOLO V8已经在本月发布了，我们这篇文章的目的是对整个YOLO家族进行比较分析。
YOLO V7源码解析
YOLO v7参数与YOLO v5差不多，我就直接将YOLO v5命令行参数搬过来了，偷个懒。
论文推荐：谷歌Masked Generative Transformers 以更高的效率实现文本到图像的 SOTA
在23年1月新发布的论文 Muse中：Masked Generative Transformers 生成文本到图像利用掩码图像建模方法来达到了最先进的性能，零样本 COCO 评估的 FID 分数为 7.88，CLIP 分数为 0.32——同时明显快于扩散或传统自回归模型。
Diffusion 和Stable Diffusion的数学和工作原理详细解释
扩散模型的兴起可以被视为人工智能生成艺术领域最近取得突破的主要因素。而稳定扩散模型的发展使得我们可以通过一个文本提示轻松地创建美妙的艺术插图。所以在本文中，我将解释它们是如何工作的。
【论文导读】 - 关于联邦图神经网络的3篇文章
图神经网络( GNNs )凭借其强大的处理实际应用中广泛存在的图数据的能力，受到了广泛的研究关注。然而，随着社会越来越关注数据隐私，GNNs面临着适应这种新常态的需要。这导致了近年来联邦图神经网络( FedGNNs )研究的快速发展。虽然前景广阔，但这一跨学科领域感兴趣的研究者来说是极具挑战性的。对
为深度学习选择最好的GPU
最后现在4090还是处于耍猴的状态，基本上要抢购或者加价找黄牛但是16384 CUDA + 24GB，对比3090 的10496 CUDA ，真的很香。而4080 16G的9728CUDA 如果价格能到7000内，应该是一个性价比很高的选择。12G的 4080就别考虑了，它配不上这个名字。对于AMD
从视频到音频：使用VIT进行音频分类
在本文中，我们将利用ViT - Vision Transformer的是一个Pytorch实现在音频分类数据集GTZAN数据集-音乐类型分类上训练它。
【深度学习】（三）图像分类
上一章介绍了深度学习的基础内容，这一章来学习一下图像分类的内容。图像分类是计算机视觉中最基础的一个任务，也是几乎所有的基准模型进行比较的任务。从最开始比较简单的10分类的灰度图像手写数字识别任务mnist，到后来更大一点的10分类的cifar10和100分类的cifar100任务，到后来的image
手把手带你调参Yolo v5 (v6.2)（验证）
解析val.py文件中21个参数含义！
可解释深度学习：从感受野到深度学习的三大基本任务：图像分类，语义分割，目标检测，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
人工智能学习——模糊控制
模糊控制文章目录模糊控制前言一、模糊控制是什么？与神经网络的区别？二、模糊控制原理1.模糊化2.模糊规则3.模糊推理4.解模糊化三、模糊控制算法实例解析（含代码)1、选择观测量和控制量参考前言鉴于个人学习方向并不在此，所以此文章仅作为个人学习笔记使用，主要介绍理论以及学习过程，仅供参考！一、模糊控制
【ResNet】Pytorch从零构建ResNet18
Pytorch从零构建ResNet18ResNet 目前是应用很广的网络基础框架，所以有必要了解一下.本文从简单的ResNet18开始，详细分析了ResNet18的网络结构，并研究BasicBlock的结构。，使得整个结构非常清晰，再之后手工构建ResNet18网络就没有那么困难了。
基于BP神经网络的PID智能控制
PID控制要获得较好的控制效果，就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的。神经网络所具有的任意非线性表达的能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。
ECCV2022论文列表（中英对照）
ECCV2022论文列表（中英对照）
