多智能体强化学习—QMIX
多智能体强化学习—QMIX论文地址：https://arxiv.org/pdf/1803.11485.pdf1 介绍 首先介绍一下VDN（value decomposition networks）顾名思义，VDN是一种价值分解的网络，采用对每个智能体的值函数进行整合，得到一个联合动作值函数。为了简
遗传算法优化神经网络—MATLAB实现
遗传算法优化神经网络MATLAB实现
windows下安装CPU和GPU版本的pytorch 并通过pycharm进行验证
window10下安装CPU版本和GPU版本的Pytorch全过程记录，并通过pycharm测试最终是否可用
【图像生成Metrics】快速计算FID、KID、IS、PPL
【图像生成Metrics】快速计算FID、KID、ISC、PPL
ConvNeXt-教你如何改模型
ConvNeXt的出现证明，并不一定需要Transformer那么复杂的结构，只对原有CNN的技术和参数优化也能达到SOTA，未来CV领域，CNN和Transformer谁主沉浮？太阳花的小绿豆。
YOLOv7训练记录——权重使用问题
YOLOv7于2022.07发布，一经发布，很多人应该有共同的想法——v7的效果是否和论文一致？v7的效果跟v5相比如何?此贴记录自己YOLOv7的训练过程。
看这篇就够了——opencv与libopencv与cv_bridge的安装与使用
一般情况如果自动安装opencv3，那就手动安装一个opencv4.自动安装opencv4，就手动安装opencv3.同系的opencv一般虽然会显示冲突，但是能够编译通过的。现在opencv解决了，但由于你手动安装的opencv版本和cv_bridge是不一样，cv_bridge版本默认和libo
AI实战：用Transformer建立数值时间序列预测模型开源代码汇总
Transformer做数值时间序列预测
Anaconda安装github上下载的包或者本地包
一 将github上下载的包，解压后 放入anaconda路径下的site-pakages文件夹下我下载的文件名是nda-tools-master我的路径是F:\anaconda_set\envs\tensorflow2\Lib\site-packages\如果anaconda包含Tensorflo
深度学习和日常代码中遇到的报错汇总及解决方案，持续更新中。。。。
深度学习和日常代码中遇到的报错汇总及解决方案，持续更新中。。。。解决方案也大多参考网上的解决方案，有些有用，有些没有效果，本文章中的问题，也仅是本人遇到的问题
ChatGPT 3 与 ChatGPT 4：比较分析
OpenAI 于 2020 年发布的ChatGPT 3改变了 AI 世界的游戏规则。它在理解和生成类人文本方面表现出了非凡的能力。然而，随着研究的继续，ChatGPT 4的开发是为了解决其局限性并改进其前身的性能。让我们比较一下这些模型的主要区别和增强功能。
Pytorch学习笔记（3）：图像的预处理（transforms）
Pytorch学习笔记（3）：图像的预处理（transforms）
Python+chatGPT编程5分钟快速上手，强烈推荐！！！
通俗易懂，教你快速掌握chatGPT！
GPT2模型详解
一 背景介绍GPT2模型是OpenAI组织在2018年于GPT模型的基础上发布的新预训练模型，其论文原文为 language_models_are_unsupervised_multitask_learnersGPT2模型的预训练语料库为超过40G的近8000万的网页文本数据，GPT2的预训练语料
conda命令记录、torch、torchvision安装
conda命令记录、torch、torchvision安装
按键精灵免字库本地识别OCR
目前网上仅有类大漠的字库识别和远程调用互联网识别。百度飞桨很早就开源了PaddleOCR，做一个小脚本还使用收费远程项目早应该过时。由于对py不熟悉，推理麻烦，直接使用了捷智开源的基于PaddleOCR的RapidOCR，简单快捷。抓图还是得使用大漠，效率比python的抓图性能好。如果能找到高效抓
BiSeNet - 轻量级实时语义分割
在语义分割领域，由于需要对输入图片进行逐像素的分类，运算量很大。通常，为了减少语义分割所产生的计算量，通常而言有两种方式：减小图片大小和降低模型复杂度。减小图片大小可以最直接地减少运算量，但是图像会丢失掉大量的细节从而影响精度。降低模型复杂度则会导致模型的特征提取能力减弱，从而影响分割精度。所以，如
无监督异常检测（MVTec）
（排名第1）Towards Total Recall in Industrial Anomaly Detection （PatchCore）
【目标检测实战学习】数据增强的几种方法：cutout，mixup，mosaic，rotate，HSV，随机抖动实战
最近在学习数据增强方面的东西，简单做个记录首先需要强调的是，数据增强是目标检测流程中的一个过程，通常是在对数据集完成打标签之后，在划分数据集之前，为了增大数据集的数量，获取更多的特征，采用的一种方式。所以，在实战的过程中，不仅仅要对图像进行操作，还要对已经打好的标签（VOC数据集的xml文件）进行同
