微调大型语言模型示例：使用T5将自然语言转换成SQL语句
在本文中，我们将使用谷歌的文本到文本生成模型T5和我们的自定义数据进行迁移学习，这样它就可以将基本问题转换为SQL查询。
深度对抗神经网络(DANN)笔记
一 总体介绍DANN是一种迁移学习方法，是对抗迁移学习方法的代表方法。基本结构由特征提取层f,分类器部分c和对抗部分d组成，其中f和c其实就是一个标准的分类模型，通过GAN（生成对抗网络）得到迁移对抗模型的灵感。但此时生成的不是假样本，而是假特征，一个足以让目标域和源域区分不开的假特征。而领域判别器
吴恩达机器学习——第五周学习笔记
神经网络代价函数（Cost Function）正则化逻辑回归的代价函数：神经网络的代价函数：L：是神经网络架构的层数Sl：l层的单元个数K：输出单元的个数sigmoid函数：def sigmoid(z): return 1 / (1 + np.exp(-z))前向传播函数：#前向传播函数def
使用动图深入解释微软的Swin Transformer
本文旨在使用插图和动画为Swin Transformers提供全面的指南，以帮助您更好地理解这些概念。
【深度学习】常见的神经网络层（上）
在深度学习中常见的神经网络层的讲解
数据科学中的 10 个重要概念和图表的含义
“当算法给你一条曲线时，一定要知道这个曲线的含义！”
GAN 初学者指南
GAN是一个非常巧妙并且非常有用的模型。当有大量关于 GAN 的论文时，但是你会发现这些论文通常很难理解，你可能会想要一些对初学者更友好的东西。所以本文的对非传统机器学习人员来说，是我能想到的最好的例子。
Python学习记录 使用tensorflow 2.8 完成猫狗识别 使用keras构建CNN神经网络
猫狗识别项目数据分为带标签和不带标签带标签：25000张不带标签：12500张数据分类处理下载的数据存放在data文件夹下# 定义数据存储的文件夹data_dir = './data/'train是25000张带标签的猫狗图片test1是12500张无标签的猫狗图片使用代码核对一下# 进入图片数据的
神经网络入门（详细 ）
机器学习流程、K近邻算法，以及详细介绍了神经网络的基本框架。
梯度和法向量的统一理解
在学习梯度和曲面上一点处的法向量的时候，发现它们的计算方法非常相似，但是一开始进入了误区，甚至以为梯度应该是模最大的切向量。想了好久才从几何意义的角度把梯度和法向量统一，希望下面的内容能帮助你加深理解。1.梯度严格意义上梯度只能说是只是函数的梯度。以二元函数为例，对应的平面方程：在某一点=处，如果我
多层感知机还在进步，关于深度学习中MLP的5篇最新的论文推荐
2002年最新的5篇MLP论文推荐
笔记：基于keras的不同神经网络模型Minst手写体识别
基于keras不同神经网络模型的mnist手写体识别
端到端的特征转换示例：使用三元组损失和 CNN 进行特征提取和转换
通过卷积和三元组损失学习数据的表示，并提出了一种端到端的特征转换方法，这种使用无监督卷积的方法简化并应用于各种数据。
LSTM 又回来了！ 新论文使用LSTM挑战长序列建模的 ViT
Sequencer 通过将空间信息与节省内存和节省参数的 LSTM 混合来降低内存成本，并在长序列建模上实现与 ViT 竞争的性能。
GAN能进行股票预测吗？
在过去的研究中，出现了而很多的方式，但这些方式和方法并不是很成功，所以本文将这个领域的研究扩展到GANs。看看GANs这个领域是否能够进行预测。
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。
神经网络与傅立叶变换有关系吗？
傅里叶变换可以视为一种有助于逼近其他函数的函数，神经网络被也认为是一种函数逼近技术或通用函数逼近技术。 本文将讨论傅里叶变换，以及如何将其用于深度学习领域。
