grad-cam实现可视化｜mmselfsup自监督｜保姆级教学
Grad-CAM是使用任何目标概念的梯度（比如分类类别中的某一类的logits，甚至是caption任务中的输出），流入最后的卷积层，生成一个粗略的定位图来突出显示图像中用于预测的重要区域。
10个最频繁用于解释机器学习模型的 Python 库
XAI，Explainable AI是指可以为人工智能（AI）决策过程和预测提供清晰易懂的解释的系统或策略。XAI 的目标是为他们的行为和决策提供有意义的解释，这有助于增加信任、提供问责制和模型决策的透明度。XAI 不仅限于解释，还以一种使推理更容易为用户提取和解释的方式进行 ML 实验。在实践中，
Deep SDF 、NeuS学习
Deep SDF NeuS学习
LDA模型构建与可视化
隐含狄利克雷分布（Latent Dirichlet Allocation，LDA），是一种主题模型（topic model），典型的词袋模型，即它认为一篇文档是由一组词构成的一个集合，词与词之间没有顺序以及先后的关系。一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。它可以将文档集中每
语义分割中图片和mask的可视化
其实取标题一直以来都是一件麻烦的事，但是如果你要看下去，我想你得有一点语义分割的见解。用平常的语言描述该问题就是：语义分割出我们感兴趣的目标物，然后输出该目标物的轮廓点。做语义分割其实有很多种方法，你可以用不同的模型去train你的dataset，但是刚接触语义分割的朋友们可能会说，我该怎么分割出我
最优模型选择的准则：AIC、BIC准则
最优模型选择的标准
【深度学习模型】ChatGPT原理简述
OpenAI推出人工智能聊天模型ChatGPT，很快引起百万用户注册使用，公众号和热搜不断，迅速火出圈，甚至引起各大公司在聊天对话机器人上的军备竞赛。
机器学习论文源代码浅读：Autoformer
原本想要和之前一样写作“代码复现”，然而由于本人一开始对于Autoformer能力理解有限，参考了一定的论文中的源代码，写着写着就发现自己的代码是“加了注释版本”的源代码，故而只能是源代码的浅读，而非复现。
YOLOv5图像分割--SegmentationModel类代码详解
SegmentationModel类DetectionModel类推理阶段DetectionModel--forward()BaseModel--forward() Segment类Detect--forward 定义model将会调用models/yolo.py中的类SegmentationMo
10分钟学会python对接【OpenAI API篇】
10分钟学会python对接【OpenAI API篇】
【Pytorch深度学习50篇】·······第六篇：【常见损失函数篇】-----BCELoss及其变种
新年新气象，兄弟们新年快乐。撒花！！！之前我们的项目已经讲过了常见的4种深度学习任务（当然还有一些没有接触到的，例如GAN和今年大红的Transformer），今天这个blog我们就来谈谈一谈常见的损失函数。损失函数的更新也是非常的快，各位大佬的想法也是层出不穷，我们站在巨人的肩膀上，就可以看的更远
【Gazebo入门教程】第二讲 模型库导入与可视化机器人建模（模型编辑器）
本篇博客主要介绍了在Gazebo中如何导入已有的模型库，并根据一个轮式小车的详细实例对Gazebo中的模型编辑器进行了深入详细研究，通过图形化方式创建关节连杆，并通过设置关节等完成机器人连接，最后添加相应传感器和插件实现机器人的运动和其他功能...
疑问搞懂，python中文词频统计，让你真能学会
* Python中文词频统计知识点 + 分词：需要对中文文本进行分词，分词的目的是将文本分解为独立的词语，便于后续的词频统计。 + 字典：使用字典存储每个词的词频。字典的键为词语，值为词频。 + 遍历：遍历分词后的结果，统计每个词出现的次数。 + 排序：对字典按照词频排序，以得到词频最高的词
实现一个简单的生成对抗网络（详细版）
生成对抗网络
AI绘图–Disco Diffusion使用指南+本地化保姆级教程
AI绘图技术，Disco Diffusion在线使用教程+保姆级本地化教程。
K210学习笔记（一）——什么是K210？
K210学习笔记
ROS小车（SLAM+物体追踪）
几种轮子模型单轮平衡式结构，优点是能量利用率高缺点是转弯的时候需要倾角高速运动下很难进行控制差速转向的平衡两轮式结构，这种结构能量利用率高上下坡的时候智能车可以保持垂直，但是高速情况下转向很难控制。全向三轮结构，这种结构的优点是可以全向移动原地转向，但是由于其结构特点每次前进的时候有一个轮子无法运动
自动驾驶路径规划——DWA（动态窗口法）
动态窗口法（DWA）主要是在速度空间中采样多组速度，并模拟机器人在这些速度下一定时间内的轨迹。在得到多组轨迹以后，对这些轨迹进行评价，选取最优轨迹所对应的速度来驱动机器人运动。 动态窗口法将移动机器人的位置控制转换为速度控制。在利用速度模式对机器人运动轨迹进行预测时，首先需要对机器人的
