AI上推荐 之 多任务loss优化(自适应权重篇)
1. 写在前面在多任务学习中，往往会将多个相关的任务放在一起来学习。例如在推荐系统中，排序模型同时预估候选的点击率和浏览时间。相对于单任务学习，多任务学习有以下优势：多个任务共享一个模型，占用内存量减少；多个任务一次前向计算得出结果，推理速度增加；关联任务通过共享信息，相互补充，可以提升彼此的表现。
曙光云使用说明
国产GPU平台探索使用
CiteSpace的介绍、重要调整参数及其重要术语
被引次数在我们进行文献分析的时候，被引次数不仅仅指的是每个文献的被引次数，它还指研究作者的被引次数，CiteSpace的一个原理性的解释，是把每个文献或者说每个作者当做是一个节点来看待，它每个节点之间的关联和它每个节点特征，主要的一个参数就是citation，它的被引次数。它这个数值的作用是什么？我
如何使用labelImg标注数据集，最详细的深度学习标签教程
深度学习中，做监督学习时需要标注好的数据集。一种利用现成的数据集：比如mnist手写体、ImageNet、COCO、PASCAL VOC、OpenImage等数据集；还有就是我们可以手动标注的数据集。下面教大家如何使用labelImg库来手动标注Dataset。1、打开anaconda命令行界面，如
一文讲解thop库计算FLOPs问题
计算模型的FLOPs及参数大小FLOPS是处理器性能的衡量指标，是“每秒所执行的浮点运算次数”的缩写。FLOPs是算法复杂度的衡量指标，是“浮点运算次数”的缩写，s代表的是复数。一般使用thop库来计算，GitHub：但官网的Readme中详细写出了是用来计算MACs，而不是FLOPs的MACs（M
损失函数InfoNCE loss和cross entropy loss以及温度系数
唯一的区别是, 在cross entropy loss里, 指代的是数据集里类别的数量, 而在对比学习InfoNCE loss里, 这个k指的是负样本的数量。一般来说，负样本选取的越多，就越接近整个数据集，效果自然会更好。Info NCE loss是NCE的一个简单变体，它认为如果你只把问题看作是
基于Python实现五大常用分类算法(原理+代码)
编程算法常用
Cartographer算法2D激光雷达与IMU融合建图
上一篇文章讲了cartographer算法手持雷达建图的参数调试，这篇进一步讲如何融合2D雷达与IMU采用cartographer算法进行slam建图。cartographer算法手持二维激光雷达建图（不使用里程计及IMU）
【深度学习】生成模型：VAE(自编码器)模型解析
本文为自己自学内容的记录，其中多有借鉴别人博客的地方，一并在在参考文献中给出链接，其中大部分截图来自李宏毅深度学习PPT课件。本文前置知识高斯混合模型和EM算法，如果不了解这两种算法直接看VAE模型会有理解上的障碍。其实那么多数学公式推导，我自己都有点晕，但是本质上就是用自编码器去产生很多高斯分布，
yolo车牌识别、车辆识别、行人识别、车距识别源码(包含单目双目)
车牌内容识别时，通过计算候选车牌区域蓝色数值（均值）的最大值，确定最终的车牌区域。对于选定的车牌轮廓，首先进行粗定位，即对车牌进行左右边界回归处理，去除车牌两边多余的部分，然后进行精定位，即将车牌送入 CRNN 网络进行字符识别，利用左右边界回归模型，预测出车牌的左右边框，进一步裁剪，进行精定位。车
[HyperGraph专题]HGNN+:General Hypergraph Neural Networks
最近在做和超图相关的工作，自己主要偏编码的工作，但在敲代码和参考其他现有超图库的过程中发现了一个叫DeepHypergrah的库，里面涉及了很多和深度学习相关的内容，用到了pytorch、scipy、numpy之类啥啥啥，看的我一头雾水，想起之前给自己定了一个学习pytorch这一工具的目标，现在终
图像风格迁移
风格迁移指的是两个不同域中图像的转换，具体来说就是提供一张风格图像，将任意一张图像转化为这个风格，并尽可能保留原图像的内容
标签平滑（Label Smoothing）详解
标签平滑（Label smoothing），像L1、L2和dropout一样，是机器学习领域的一种正则化方法，通常用于分类问题，目的是防止模型在训练时过于自信地预测标签，改善泛化能力差的问题。
Stata:中介效应理论及sgmediation命令做sobel检验
中介作用的检验模型可以用以下路径图来描述：方程(1)的系数c 为自变量X对因变量Y的总效应；方程(2)的系数a为自变量X对中介变量M的效应；方程(3)的系数b是在控制了自变量X的影响后，中介变量M对因变量Y的效应；方程(3)的系数c′是在控制了中介变量M 的影响后，自变量X对因变量Y的直接效应；系数
傅里叶级数、狄利克雷收敛定理、周期延拓
傅里叶级数狄利克雷收敛定理
openpose的一些个人理解
一直都是在做一些目标检测的研究工作，近期开始看一些有关姿态检测的内容，其中最经典的就是openpose这个框架，后面很多动作识别、姿态检测也大多是在该网络上进行改进，比如Real-time 2D Multi-Person Pose Estimation on CPU 这篇论文，在原OpenPose基
深度学习模型部署全流程-模型部署
基于NCNN的模型部署
基于卷积神经网络CNN的图片分类实现——附代码
使用Matlab自带的深度学习工具箱构建卷积神经网络（CNN）进行图片分类，以识别并分类手写数字为例。首先将大量的图片数据导入；然后给不同种类的图片打上对应的分类的标签，划分为训练集和测试集；构建CNN网络其中包括3层2维卷积和3个池化层，全连接层及分类层；调整好输入输出格式对CNN进行训练及测试；
Lasso回归系列四：Group Lasso，Sparse Group Lasso
Lasso变体：Group Lasso，Sparse Group Lasso
Attention UNet
Attention UNet论文解析 - 知乎Attention UNet论文地址： https://arxiv.org/pdf/1804.03999.pdf 代码地址： https://github.com/ozan-oktay/Attention-Gated-NetworksAttention
