BatchNorm详解
引言：前几天被同事问到了一个问题：当batch_size=1时，Batch Normalization还有没有意义，没有说出个所以然，才意识到自己从来不好好读过BN的论文（Batch Normalization: Accelerating Deep Network Training by Reduc
Kaggle实战入门：泰坦尼克号生还预测（进阶版）
泰坦尼克号生还预测是机器学习领域著名的数据科学竞赛平台kaggle的入门经典，本文对该数据的处理、分析、训练、预测进行了全流程介绍。
Pytorch复习笔记--导出Onnx模型为动态输入和静态输入
当使用 Pytorch 将网络导出为 Onnx 模型格式时，可以导出为动态输入和静态输入两种方式。动态输入即模型输入数据的部分维度是动态的，可以由用户在使用模型时自主设定；静态输入即模型输入数据的维度是静态的，不能够改变，当用户使用模型时只能输入指定维度的数据进行推理。在以下代码中，定义了一个网络，
ArduinoUNO实战-第十七章-火焰传感器
光电二极管的电导率将根据其检测到的红外辐射而变化。接下来，我们将连接内置板载 LED 的引脚 13 初始化为输出。火焰传感器模块只有很少的组件，其中包括一个 IR 光电二极管、一个 LM393 比较器 IC 和一些免费的无源组件。将模块的 VCC 和 GND 连接到 Arduino 的 5V 和 G
无人驾驶-控制-阿克曼模型
阿克曼模型推导一、序论1.1 研究目的运动学是从几何学的角度研究物体的运动规律，包括物体在空间的位置、速度等随时间而产生的变化，因此，车辆运动学模型应该能反映车辆位置、速度、加速度等与时间的关系。在车辆轨迹规划过程中应用运动学模型，可以使规划出的轨迹更切合实际，满足行驶过程中的运动学几何约束，且基于
模型评估（误差平方和(SSE The sum of squares due to error)）
模型评估（误差平方和(SSE The sum of squares due to error)）
将yolov5中的PANet层改为BiFPN
本文以YOLOv5-6.1版本1.修改common.py,在common.py后加入如下代码# 结合BiFPN 设置可学习参数 学习不同分支的权重# 两个分支add操作class BiFPN_Add2(nn.Module): def __init__(self, c1, c2):
机器人运动｜浅谈Time Elastic Band算法
现在，我们再来看global_plan_viapoint_sep在局部规划中的作用，该参数的描述为“从全局路径中选取的每两个连续通过点之间的最小间隔”，结合对viapoint的理解，从该描述中我们可以知道，该参数影响的是teb_local_planner规划的最优轨迹对全局路径的跟随效果。在实际的开
IoU Loss综述（IOU,GIOU,CIOU,EIOU,SIOU,WIOU）
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。
【Pytorch】torch. matmul()
Hello！ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！唯有努力💪本文仅记录自己感兴趣的内容文章仅作为个人学习笔
Python人脸识别智能考勤系统 (供源码,附报告)(可答疑，可调试)
Python基于opencv人脸识别考勤系统 (供源码,附报告) 可答疑，可调式。本项目使用编程语言Python3.8，anaconda，开发工具pycharm，数据库MySQL5.7。技术应用：开源计算机视觉库opencv-python，开源人脸识别库face_recognition，使用PyQt
【图像处理】深入解析LBP算法
LBP（Local Binary Patterns，局部二值模式）是一种很简单但很高效的局部纹理特征描述算子，于1994年由T. Ojala, M. Pietikäinen和D. Harwood提出，经过后续的改进，LBP特征具有旋转不变性和灰度不变性，在机器视觉领域中得到了广泛的应用，如人脸识别、
90+个各种疾病相关医疗数据集
含新冠、传染病、医学图像等
图注意网络GAT理解及Pytorch代码实现【PyGAT代码详细注释】
对GAT的Pytorch版本PyGAT进行注释，包括Cora数据集的处理和使用！
开源ChatGPT要来了；软件2.0智能革命；GLM、Diffusion模型大加速
1. 2023年AI十大展望：GPT-4领衔大模型变革，谷歌拉响警报，训练数据告急新年伊始，大模型的话题热度不减。ChatGPT展现的惊人能力将大模型研究和应用热度推向高潮，人们激烈讨论着这个高级“物种”的推出意味着什么。本文作者Rob Toews发布了2023年AI发展的十大预测，整体来看，大部分
GPT-4 性能炸天：10 秒做出一个网站，在考试中击败 90% 人类
一觉醒来，万众期待的 GPT-4，它来了！OpenAI老板Sam Altman直接开门见山地介绍道：这是我们迄今为止功能最强大的模型！
nc文件计算均值与合并
利用cdo对nc文件进行以特定时间间隔为步长的均值计算以及计算后文件的合并。
如何计算Bert模型的参数量
如何计算Bert模型的参数量
模型部署入门教程（三）：PyTorch 转 ONNX 详解
OpenMMLab：模型部署系列教程（一）：模型部署简介OpenMMLab：模型部署系列教程（二）：解决模型部署中的难题知道你们在催更，这不，模型部署入门系列教程来啦~在前二期的教程中，我们带领大家成功部署了第一个模型，解决了一些在模型部署中可能会碰到的困难。今天开始，我们将由浅入深地介绍 ONNX
LSTM分类模型
LSTM分类模型本文主要固定一个文本分类的流程。分为三个部分：数据处理。对分类文本数据集做简单的预处理。模型数据准备。处理上一步的结果，得到模型的输入样本。模型搭建和训练流程。程序架构如下：主要包括一个原始的分类文件(头条新闻)。一个预处理脚本prepare_data.py一个数据处理脚本data_
