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。
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。
