BLIP2-图像文本预训练论文解读
BLIP-2，基于现有的图像编码器预训练模型，大规模语言模型进行预训练视觉语言模型；BLIP-2通过轻量级两阶段预训练模型Querying Transformer缩小模态之间gap，第一阶段从冻结图像编码器学习视觉语言表征，第二阶段基于冻结语言模型，进行视觉到语言生成学习；BLIP-2在各种视觉-语
GRU时间序列数据分类预测
GRU实现
使用GRU进行天气变化的时间序列预测
一个天气时间序列数据集，它由德国耶拿的马克思 • 普朗克生物地球化学研究所的气象站记录。在这个数据集中，每 10 分钟记录 14 个不同的量（比如气温、气压、湿度、风向等），其中包含2009-2016多年的记录。数据集下载地址GRU（Gate Recurrent Unit）是循环神经网络（Recur
ADAS HiL系统测试方案
ADAS利用安装在车上的各式各样传感器（毫米波雷达、激光雷达、单\双目摄像头以及卫星导航），在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。（tra
LDA(线性判别分析(普通法))详解 —— matlab
前言正题1.LDA的思想2. 瑞利商（Rayleigh quotient）与广义瑞利商（genralized Rayleigh quotient）3. 二类LDA原理4.多类LDA原理5.LDA算法流程二类LDA matlab举例：1.读取数据集2.分离数据集3.求解w4.输出降维后的数据集
提示学习Prompt介绍
关于提示学习的简单介绍
关系抽取（三）实体关系联合抽取：TPlinker
实体关系联合抽取TPLinker
zero-shot, one-shot和few-shot
zero-shot, one-shot和few-shot
BartModel 源码解析
BartModel的代码真的有太多的坑了
Python+Yolov8目标识别特征检测
这篇博客针对编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
ChatGPT 的未来挑战和风险
ChatGPT火爆全场，但是机遇和风险并存
Python数学建模系列（一）：规划问题之线性规划
文章目录前言线性规划样例1：求解下列线性规划问题scipy库求解样例2：求解下列线性规划问题pulp库求解样例3.运输问题说明结语前言Hello！小伙伴！非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～ 自我介绍 ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：
基于 IMU 的位姿解算
前言参考了一些论文，总结了一些IMU 位姿解算的方法和案例，记录与分享给大家。一、IMU固定在某物体上IMU能 输出了载体的加速度、角速度，通过惯导解算原理获得载体运动的位姿轨迹。进行解算时，还需要消除 IMU 采样数据中存在的误差，以 及过程中产生的误差。将IMU 固定一个物体上，比如固定在机器人
基于PyTorch实现图像去模糊任务详细教程代码+数据
基于PyTorch实现图像去模糊任务详细教程代码+数据
改进YOLOv5系列：9.BoTNet Transformer结构的修改
目标检测小白科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
【联邦学习】联邦学习算法分类总结
联邦学习算法总结，从不同的角度对联邦学习方法进行分类。
翻译: 详细图解Transformer多头自注意力机制 Attention Is All You Need
它们是用于计算和思考注意力的抽象概念。一旦你继续阅读下面的注意力是如何计算的，你就会知道几乎所有你需要知道的关于每个向量所扮演的角色。计算self-attention的第二步是计算一个分数。假设我们正在计算本例中第一个单词“Thinking”的自注意力。我们需要根据这个词对输入句子的每个词进行评分。
通过anaconda升级、安装jupyter notebook内核kernel的python版本
用anaconda升级、安装jupyter notebook内核kernel的python版本
简述YOLOv8与YOLOv5的区别
yolov7,yoloX相关论文还没细看,yolov8就出来了。太卷了！YOLOv5和YOLOv8的区别。
【机器学习笔记】【随机森林】【乳腺癌数据上的调参】
调整完毕，总结出模型的最佳参数score提升效果#调参后的参数减去调参前的参数在整个调参过程之中，我们首先调整了n_estimators（无论如何都请先走这一步），然后调整max_depth，通过max_depth产生的结果，来判断模型位于复杂度-泛化误差图像的哪一边，从而选择我们应该调整的参数和调
