Python NLP自然语言处理详解
在这个大数据时代，几乎所有事物都能用数据描述。数据可以大致分为三类。第一类是用于传播的媒体数据，如图片、音频、视频等。这类数据一般不需要做处理，只需要存储和读取。第二类是数字类数据，其价值很高。因为数字是有一定规律的，从已有数字中发现的规律可以用于预测未来的数据。这也是传统大数据处理与分析的主要方面
小样本学习
给定两张图片 a 和 b，如果两张图片越相似，则 sim (a, b) 的值越大。在小样本学习问题中，Support Set中每一类往往只有少数几个样本，单单依靠这些样本，不可能训练出一个深度神经网络，甚至无法采用迁移学习中的Pretraining+Fine Tuning方法。将Query图片和Su
半小时用ChatGPT构建你的虚拟形象
大家好，欢迎来到我的频道，今天我来教大家如何用ChatGPT创建一个虚拟形象，如下图和视频所示。
卷积 - 3. 分组卷积 详解
1. 起源分组卷积(Group Convolution) 起源于2012年的AlexNet - 《ImageNet Classification with Deep Convolutional Neural Networks》。由于当时硬件资源的限制，因为作者将Feature Maps分给多个GPU
涨点技巧：注意力机制---Yolov5/Yolov7引入CBAM、GAM、Resnet_CBAM
注意力机制全家桶系列之引入CBAM和GAM到yolo，结合通道和空间的注意力机制模块取得了涨点
异常检测&动态阈值
异常检测&动态阈值
深度学习分析NASA电池数据（1 数据读取）
利用深度学习NASA电池数据进行分析
如何使用evo工具评估LeGO-LOAM跑KITTI数据集的结果
如何使用evo工具评估LeGO-LOAM跑KITTI数据集的结果下载KITTI数据集安装kitti2bag修改LeGO-LOAM代码utility.himageProjection.cpptransformFusion.cpp安装evo最终结果下载KITTI数据集官方链接：KITTI官网我们只用得到
【Tensorflow深度学习】实现手写字体识别、预测实战（附源码和数据集 超详细）
【Tensorflow深度学习】实现手写字体识别、预测实战（附源码和数据集 超详细）
Jetson NX + yolov5 v5.0 + TensorRT加速+调用usb摄像头
TRT] Parameter check failed at: ../builder/Network.cpp::addScale::482, condition: shift.coun上一篇,测试效果如下本篇文章具体操作步骤如下就可以了，切记版本要对应 ，我产生这个错误的原因就是版本问题，成功转换但
sigmoid函数求导
sigmoid函数详细求导过程
FCN全卷积网络理解及代码实现（来自pytorch官方实现）
FCN是首个端对端的针对像素级预测的全卷积网络而换为卷积层之后，最后得到的是1000通道的2D图像，可以可视化为heat map图。一般说的vgg16是D：全连接操作前后：77512（通道）【假设忽略偏置】\color{red}{【假设忽略偏置】}【假设忽略偏置】全连接FC1计算：计算对应某一个结点
Tensorflow两步安装（超简单）
超简单安装tensorflow，无需配置环境，只需下载文件，直接安装即可
《模拟电子技术》期末复习笔记4——上交大郑益慧课件知识点整理
笔记整理自B站学习教程《模拟电子技术基础 上交大 郑益慧主讲》第一章 常用半导体器件半导体基础知识本征半导体一.半导体1.概念：导电能力介于导体和绝缘体之间的材料。2.本征半导体：纯净的半导体，具有晶体结构的半导体。二、本征半导体的晶体结构三、载流子1.本征激发2.自由电子可以导电3.空穴如果加一个
用Bibtex导出GB/T 7714等格式引用的方法
1、背景：为什么这tmd会成为一个问题？有的会议期刊，比如ICLR，它在谷歌学术等一众学术搜索引擎上，都只有arxiv的引用出处。比如，针对论文：《Learning invariant representations for reinforcement learning without recons
多分类求混淆矩阵、精确率，召回率代码
python代码求混淆矩阵，精确率，召回率等的算法。
如何在Kaggle上利用免费Gpu训练Yolox的模型
本文不包含Kaggle的入门步骤，如何上传数据集，如何选择GPU自行学习文章目录*开头的话*一、Kaggle的使用1、**为什么选择Kaggle**2、Kaggle的操作难度二、Yolox代码的更改1.train.py更改2.callbacks.py部分更改3、训练数据的路径更改4、正式训练*末尾的
BoT-SORT 论文笔记及思考
BoT-SORT: Robust Associations Multi-Pedestrian Tracking
