【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
ChatGPT简要解读(三) - ChatGPT发展历程及模型训练机制
本文主要围绕 ChatGPT发展历程及模型训练机制进行简要阐述。
mplfinance 一个堪称完美python量化金融可视化工具详析
mplfinance 一个堪称完美python量化金融可视化工具详析mplfinance安装 获取数据（从tushare接口）获取数据（从本地csv） mplfinance可视化5. 自定义风格样式 添加其他线条
Pytorch 05-进阶训练技巧
PyTorch在torch.nn模块为我们提供了许多常用的损失函数，比如：MSELoss，L1Loss，BCELoss...... 但是随着深度学习的发展，出现了越来越多的非官方提供的Loss，比如DiceLoss，HuberLoss，SobolevLoss...... 这些Loss Functio
【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
由于医学影像界缺乏高质量标注，半监督学习方法在图像语义分割任务中受到高度重视。为了充分利用视觉转换器(ViT)和卷积神经网络(CNN)在半监督学习中的强大功能，本文提出了一种基于一致性感知伪标签的自集成方法。我们提出的框架包括一个由ViT和CNN相互增强的特征学习模块，以及一个用于一致性感知目的的健
基于CNN卷积神经网络实现中文手写汉字识别
中国版的 MNIST 数据集是在纽卡斯尔大学的一个项目框架中收集的数据。一百名中国公民参与了数据收集工作。每个参与者用标准的黑色墨水笔在一张桌子上写下所有 15 个数字，在一张白色 A4 纸上画出了 15 个指定区域。这个过程对每个参与者重复 10 次。每张纸都以 300x300 像素的分辨率扫描。
机器学习中的数学——距离定义（一）：欧几里得距离（Euclidean Distance）
欧几里得距离或欧几里得度量是欧几里得空间中两点间的即直线距离。使用这个距离，欧氏空间成为度量空间，相关联的范数称为欧几里得范数。nnn维空间中的欧几里得距离：d(x,y)=∑i=1n(xi−yi)2=(x1−y1)2+(x2−y2)2+⋯+(xn−yn)2d(x, y)=\sqrt{\sum_{i=
YOLOX改进之损失函数修改（上）
文章内容：如何在YOLOX官网代码中修改置信度预测损失环境：pytorch1.8损失函数修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解Y
ROS中map，odom坐标系的理解以及acml和robot_pose_ekf的对比和小车漂移方法解决
只是一个概念上的坐标系，实际不存在如果说完全相信传感器的数据，那么可以认为odom坐标系就是map坐标系如何计算odom坐标系相对于map坐标系的位置：首先获得差速计推算出的小车坐标p，然后使用雷达再次估算小车的位置g(此时认为g比较准确，因此认为g就是小车在map上的坐标)，那么差速计得到的坐标可
百度飞桨表格识别网络SLANET学习笔迹
百度飞桨表格识别网络SLANet网络结构解析
表面肌电信号处理流程——基于肌电信号分类的特征抽取的设计
肌电图(EMG)信号是一种生物信息，在许多领域被用于帮助人们研究人类的肌肉运动。尤其在仿生手方面应用的非常重要，它可以通过人体肌肉的信号变化来说明某一时刻进行的活动。肌电图是一个非常复杂的信号，所以处理它是至关重要的。肌电信号的处理过程分为采集、特征提取和分类等步骤。但有时候收集肌电信号的通道过多会
yolov5模型原理及代码流程讲解（v6.1）
目标检测，yolov5
