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。
循环神经网络(RNN)
循环神经网络(RNN)文章目录循环神经网络(RNN)注意！！！！！！！RNN模型的作用为什么要使用RNN而不是用MLP？RNN输入与输出RNN模型简单RNN模型LSTM(Long Short-Term Memory)长短期记忆模型GRU(Gated Recurrent Units)参考视频注意！！！
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
YOLOv5-6.0 源码解析 —— 卷积神经单元
YOLOv5 源码中，模型是依靠 yaml 文件建立的。而 yaml 文件中涉及到的卷积神经网络单元都是在 models 文件夹中的 common.py 声明的，所以自行设计网络结构之前有必要详解这个文件。这个文件很细节，就算不学 YOLOv5 也建议 copy 收藏通用参数c1 c2 c_
深度学习中的归一化技术全面总结
归一化是深度学习中的一个基本概念。它加快了计算速度并稳定了训练。多年来发展了许多不同的技术。本篇文章整理了目前与它相关的方法，希望对你有所帮助
42个激活函数的全面总结
这个列表将包含 42 个激活函数，这里面肯定有没有见过的
在预测中使用LSTM架构的最新5篇论文推荐
本文总结了近半年来关于LSTM的5篇论文，推荐阅读
基于pytorch平台实现对MNIST数据集的分类分析（前馈神经网络、softmax）基础版
基于pytorch平台实现对MNIST数据集的分类分析（前馈神经网络、softmax）基础版
从零到一实现神经网络（六）：误差反向传播算法更新网络权重
误差反向传播算法原理，误差反向传播更新权重参数，三层神经网络实现
5分钟NLP：Text-To-Text Transfer Transformer (T5)统一的文本到文本任务模型
本文将解释如下术语：T5，C4，Unified Text-to-Text Tasks
图像预训练模型的起源解说和使用示例
这篇文章简要介绍了图像预训练模型过去的演变，并总结了现在的一些热门话题。
Keras深度学习实战（2）——使用Keras构建神经网络
Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。
改善图形神经网络，提升GNN性能的三个技巧
本文总结了一些技巧来提高 GNN 模型的性能。
学习笔记：深度学习（4）——卷积神经网络（CNN）PyTorch实践篇
小白PyTorch超快上手，采用CNN做了一个手写数字识别，一个MINST手写数字预测，以及尝试了Kaggle的Spaceship Titanic案例。
从零到一实现神经网络（python）:二
由单层感知机中的信号传递机制过渡到神经网络中的信号传递机制，通过一个包含2个隐藏层的4层神经网络实现了前向信号传播，介绍了sigmoid激活函数以及输出层经常用于误差计算的softmax函数
MultiMAE：一种简单、灵活且有效的 ViT 预训练策略
Multi-modal Multi-task Masked Autoencoders (MultiMAE)，也是一种预训练策略，可以对掩码进行自动编码处理并执行多模态和多任务的训练。
【进阶篇】全流程学习《20天掌握Pytorch实战》纪实 | Day02 | 图片数据建模流程范例
不定期学习《20天掌握Pytorch实战》，有兴趣就跟着专栏一起吧~
神经网络学习小记录70——Pytorch 使用Google Colab进行深度学习
神经网络学习小记录70——Pytorch 使用Colab进行深度学习学习前言什么是Google ColabColab官网利用Colab进行训练一、数据集与预训练权重的上传1、数据集的上传2、预训练权重的上传二、打开Colab并配置环境1、笔记本的创建2、环境的简单配置3、深度学习库的下载4、数据集的
Keras深度学习实战（1）——神经网络基础与模型训练过程详解
神经网络是一种性能强大的学习算法，其灵感来自大脑的运作方式。类似于神经元在大脑中彼此连接的方式，神经网络获取输入后，通过某些函数在网络中进行传递输入信息，连接在其后的一些神经元会被激活，从而产生输出。本文主要介绍神经网络中重要的基础知识，然后使用 Python 从零开始构建神经网络的训练流程，包括前
