集成学习之Stacking（堆栈）方法
集成学习是监督式学习的一种。主流的方法有Bagging、Boosting和Stacking。本文主要对Stacking进行讲解分析。Bagging是采取投票或平均的方式来处理N个基模型的输出，而Stacking方法是训练一个模型用于组合之前的基模型。具体过程是将之前训练基模型的输出构造为一个训练集，
【论文精读】TMI2021医学图像分割 SMU-Net
SMU-Net: Saliency-guided Morphology-aware U-Net for Breast Lesion Segmentation in Ultrasound ImageSMU-Net: 显著引导形态感知U-Net用于超声图像乳腺病变分割深度学习方法，尤其是卷积神经网络已成
pyinstaller打包exe文件太大解决方法
pyinstaller打包exe文件太大
Zotero + Zotfile + NutSync 简直文献管理神器
Zotero + Zotfile + NutSync 简直文献管理神器
线性回归实战---Abalone鲍鱼年龄预测
官方的文档介绍如下:从中我们可以看到原始数据集共有4177条数据,其中每条数据包含9个特征,见下表名称数据类型测量单位描述性别标称–M、F和I（婴儿）长度连续mm最长外壳测量直径连续mm垂直于长度高度连续mm壳中有肉全重连续g整只鲍鱼屠宰重量连续g肉的重量内脏重量连续g肠道重量（出血后）壳重连续g干
蚁群算法详解-解决TSP问题
科研项目中要遇到蚁群 遗传 协同进化 粒子群等一些系列非确定性算法所以总结一篇自己的学习笔记蚁群算法有一下特点：1、从算法的性质而言，蚁群算法是在寻找一个比较好的局部最优解，而不是强调全局最优解2、开始时算法收敛速度较快，在随后寻优过程中，迭代一定次数后，容易出现停滞现象3、蚁群算法对TSP及相
图像分割评价指标：Dice和MIoU
语义分割指标Dice和MIoU代码实现
华为2023年提出的多元时间序列预测模型（MTS-Mixers）
华为在这2023年2月9日发布了一篇的多元时间序列预测的文章，借鉴了NLP中前一阵比较热的Mixer模型，取代了Attention结构，不仅实现了效果上的提升，而且还实现了效率上的提高。
怎么搭建本地chatgpt
要搭建本地的 ChatGPT 模型，您需要具备以下基础知识和技能：熟练使用 Linux 系统，特别是命令行。熟悉 Python 编程语言。理解和经验使用 PyTorch 框架。了解和经验使用 CUDA 和 GPU 计算。如果您具备以上条件，您可以按照以下步骤搭建本地的 ChatGPT 模型：安装 P
【bug】解决yolov5模型转换后，模型推理结果不一致问题
yolov5在模型转换后，推理输出结果与原pt模型偏差较大，是因为参数变化导致的，需要手动指定
脑电EEG代码开源分享 【4.特征提取-时频域篇】
时频域特征融合了各自的长处，交叉了时域频域的信息，方便研究人员更全面的了解信号特点。时域多一点、还是频域多一点，就成了时频域常面临的平衡问题。目前时频特征还是在长时任务中应用较多，归因于时频分解还是注重频带的信息，长时任务有较宽的频带能量分布，而任务态脑电的频域集中在低频。本文着重介绍的EMD算法，
使用Python实现Hull Moving Average (HMA)
在下面的文章中，我们将介绍如何使用Python实现HMA。本文将对计算WMA的两种方法进行详细比较。然后介绍它在时间序列建模中的作用。
ChatGPT强化学习大杀器——近端策略优化（PPO）
近端策略优化是当前最先进的强化学习 (RL) 算法。这种优雅的算法可以用于各种任务，并且已经在很多项目中得到了应用，最近火爆的ChatGPT就采用了该算法。本文重点讲解近端策略优化算法，并用PyTorch从头实现一遍。
毕设系列-检测专题-基于YOLOV5的手势识别系统
我们之前做过一期基于Yolov5的口罩检测系统（手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_dejahu的博客-CSDN博客），里面的代码是基于YOLOV5 6.0开发的，并且是适用其他数据集的，只需要修改数据集之后重新训练即可，非常方便，但是有些好兄弟是初学者，可能不太了
毕业设计：基于yolov5的行人追踪识别-代码+教程可直接运行
毕业设计：基于yolov5的行人追踪识别-代码+教程可直接运行
具身智能综述和应用（Embodied AI）
因此为了满足AI机器人能够像人类一样在真实世界中实践型学习，具身智能（Embodied AI）逐渐成为一个热门的讨论点，或许它就是通往通用人工智能的关键钥匙。具身的含义不是身体本身，而是与环境交互以及在环境中做事的整体需求和功能，这意味着机器人应该像人类一样通过观察、移动、说话和与世界互动来学习。
PointNet++训练自己的数据集（附源码）
本文针对PointNet++强大的三维点云分类功能，详细讲解怎么训练自己的数据集，在此之前，需要确保已经能够跑通源码的训练和测试，如果没有，请参考。
ChatGPT教你怎么样论文写的又快又好
在未来，ChatGPT 技术将继续发展和完善，为论文写作和学术研究带来更多的便利和创新，同时也需要研究人员不断地进行实践和探索，将技术应用到更加广泛的领域和实际问题中，以提高科学研究和学术交流的效率和质量。
OpenCv案例（七）： 基于OpenCvSharp计算图像的清晰度(自动对焦)
自动对焦，其实是对相机成像的清晰值得计算，若对焦不清晰，成像的清晰度低，视觉效果模糊。若是在工业检测行业，对焦不准确，可能会造成严重后果；对焦准确的图像，其清晰度高，对比度鲜明，层次明显。
深度学习制作自己的数据集—为数据集打上标签保存为txt文件，并进行划分和加载数据集
1 为图片数据集打上标签并保存为txt文件2 将txt文件中的图片标签数据集随机划分为训练集和测试集3 加载txt文件中的图片标签数据集
