【Google语音转文字】Speech to Text 超级好用的语音转文本API
Google speech to text api 语音转文本
DynaSLAM超详细安装配置运行ubantu20.0.4+opencv2.4.11+tensorflow1.4.0
DynaSLAM超详细安装配置运行ubantu20.0.4+opencv2.4.11+tensorflow1.4.0
Pointnet/Pointnet++学习
Pointnet++学习
R数据分析：临床预测模型中校准曲线和DCA曲线的意义与做法
之前给大家写过一个临床预测模型：R数据分析：跟随top期刊手把手教你做一个临床预测模型，里面其实都是比较基础的模型判别能力discrimination的一些指标，那么今天就再进一步，给大家分享一些和临床决策实际相关的指标，主要是校准calibration和决策曲线Decision curve ana
Pytorch深度学习实战3-7：详解数据加载DataLoader与模型处理
本文以MNIST手写数据集为例，图文讲解Pytorch中操作数据的核心类Dataset和DataLoader，介绍其基本原理和主要的数据预处理方法
奇异值分解（SVD）和图像压缩
在本文中，我将尝试解释 SVD 背后的数学及其几何意义，还有它在数据科学中的最常见的用法，图像压缩。
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
yolov5如何自定义训练模型？如何加载模型并进行解读
HuggingFace——Accelerate的使用
HuggingFace----Accelerate的使用
目标检测算法——YOLOv5/YOLOv7改进之结合特征提取网络RFBNet（涨点明显）
计算机视觉——致力于目标检测领域科研Tricks改进与推荐 | 主要包括Backbone、Neck、Head、普通注意力机制、自注意力机制Transformer，各种IoU Loss损失函数、NMS及各类激活函数替换、轻量化网络改进、数据增强策略以及其他视觉顶会创新点改进等等。
paddlepaddle模型的保存和加载
主要介绍了动态图和静态图模型的保存以及模型的加载预测
深度学习：可视化方法（模型可视化，训练过程可视化，特征提取可视化）
深度学习可视化，pytorch（tensorboard/netron）
【Unet系列】（三）Unet++网络
Unet++主要是探索encoder和decoder需要多大的问题，以此为基础，提出了融合不同尺寸Unet结构的网络。创新点就是把不同尺寸的Uent结构融入到了一个网络里。
Instruction Tuning（FLAN、instructGPT、chatGPT）
首页最近被chatGPT刷屏，但翔二博主左看右看发现很多想法似乎都是一脉相通的，于是连夜从存档中找了一些文章尝试理一理它的理论路线。博主个人理解，它以更为embodied AI形式的指令作为输入，以训练/微调大规模的信息模型，并基于强化学习与真实世界做持续交互，已经很接近此处所提到的“数字超人”了。
stable-diffusion-webui教程（AI绘画真人教程）
stable-diffusion-webui教程（AI绘画真人教程）
Opencv学习之：将图片的值进行范围调整 cv2.normalize()
cv2.normalize()指定将图片的值放缩到 0-255 之间array = cv2.normalize(array,None,0,255,cv2.NORM_MINMAX)cv2.NORM_MINMAX ：使用的放缩方式是 min_max 的方式其对应的原理是：x^=x−minmax−min∗
用Pytorch搭建一个房价预测模型
在此项目中，目的是预测爱荷华州Ames的房价，给定81个特征，描述了房子、面积、土地、基础设施、公共设施等。埃姆斯数据集具有分类和连续特征的良好组合，大小适中，也许最重要的是，它不像其他类似的数据集（如波士顿住房）那样存在潜在的红线或数据输入问题。在这里我将主要讨论PyTorch建模的相关方面，作为
基于OpenVINO在C++中部署YOLOv5-Seg实例分割模型
YOLOv5兼具速度和精度，工程化做的特别好，Git clone到本地即可在自己的数据集上实现目标检测任务的训练和推理，在产业界中应用广泛。开源社区对YOLOv5支持实例分割的呼声高涨，YOLOv5在v7.0中正式官宣支持实例分割。
YOLOV5-网络结构和组件介绍
总的来说在基本网络结构中，会对CSP网络的参数进行确定，而我们将用公式吧参数和给出的深度，宽度参数进行计算，从而算出残差次数的使用次数，也就控制了深度。采用上，下采样灵活的构造特征金字塔。在Yolov5中也是通过这样的方式 ，当时Yolov5采用了一个更好的方式，可以使得加灰边的大小尽可能的小，可以
神经网络中的常用算法-BN算法
但是当一张图片输入到神经网络经过卷积计算之后，这个分布就不会满足刚才经过image normalization操作之后的分布了，可能适应了新的数据分布规律，这个时候将数据接入激活函数中，很可能一些新的数据会落入激活函数的饱和区，导致神经网络训练的梯度消失，如下图所示当feature map的数据为1
从GPT到chatGPT（一）：GPT1
GPT1，出自于OpenAI的论文，是最早的将transformer以多层堆叠的方式构成语言模型的模型，其出现时间早于BERT，但二者有一个最大的区别在于BERT只用的是transformer的encoder层，而GPT1只用了transformer的decoder层。除此以外二者在目标函数等地方也
