自注意力中的不同的掩码介绍以及他们是如何工作的?
注意力掩码本质上是一种阻止模型看我们不想让它看的信息的方法。这不是一种非常复杂的方法，但是它却非常有效。我希望这篇文章能让你更好地理解掩码在自注意力中的作用
对抗生成网络GAN系列——DCGAN简介及人脸图像生成案例
前段时间，我已经写过一篇关于GAN的理论讲解，并且结合理论做了一个手写数字生成的小案例，对GAN原理不清楚的可以点击☞☞☞跳转了解详情。🌱🌱🌱GAN网络即是通过生成器和判别器的不断相互对抗，不断优化，直到判别器难以判断生成器生成图像的真假。 那么接下来我就要开始讲述DCGAN了喔
【计算机视觉】图像分割与特征提取——频域增强（低通滤波&高通滤波）
主要介绍图像频域的概念以及低通滤波以及高通滤波的相关概念
OpenCV数字图像处理基于C++：图像分割
简单介绍了图像分割的一些算法，包括：固定阈值分割，自适应阈值分割，迭代阈值分割，彩色图像分割，基于边缘分割，分水岭算法，grab算法以及floodFill漫水填充算法。
时间序列平滑法中边缘数据的处理技术
金融市场的时间序列数据是出了名的杂乱，并且很难处理。这也是为什么人们都对金融数学领域如此有趣的部分原因!
搞AI开发，你不得不会的PyCharm技术
PyCharm在AI项目开发提供了优秀的代码编辑、调试、远程连接和同步能力，在开发者中广受欢迎。
去谷歌开发者大会了，收“获”满满
去谷歌开发者大会了，收“获”满满多图预警，请耐心等待加载周四去上海参加了谷歌开发者大会，收获满满。下面我就当个导游，带大家畅游一番吧。先来到世博中心，显眼的 Google Logo入场后先报道，领取胸牌进入主会场等待演讲开始 前面是关于Android的演讲就不拍了，和大家一样，我对谷歌在 Tenso
人工智能 识别动物--穿孔法
人工智能识别动物--穿孔法
机器学习：基于朴素贝叶斯实现单词拼写修正器(附Python代码)
本文基于朴素贝叶斯原理实现一个有趣的应用——单词拼写修正器，并梳理一些贝叶斯公式中的细节加深理解，最后给出python代码
2022年10个用于时间序列分析的Python库推荐
去年我们整理了一些用于处理时间序列数据的Python库，现在已经是2022年了，我们看看又有什么新的推荐
Tensorflow2数据集过大，GPU内存不够
在我们平时使用tensorflow训练模型时，有时候可能因为数据集太大(比如VOC数据集等等)导致GPU内存不够导致终止，可以自制一个数据生成器来解决此问题。方法就是将数据集图片的路径保存到一个列表之中，然后使用while循环在训练时进行不断读取，，我在训练时出现了这样的问题，这是我的猜测。
YOLOv5、YOLOv7改进之二十九：引入Swin Transformer v2.0版本
将Swin transformer 2.0版本模块融入YOLO系列算法中，提高模型的全局信息获取能力。
OCR调研报告
本文简要概述了OCR的概念和应用场景，以及OCR常用算法解决方案。最主要的是调研并对比了几个github上star较多的开源项目。现阶段推荐百度开源的项目paddlocr，可直接使用其预训练模型进行演示，并且支持docker部署（实践通过）。可以支持身份证，车牌号，信用卡号识别。并且paddleoc
Python消除警告的实用解决方案
本文主要介绍了Python消除警告的实用解决方案，希望对新手有所帮助。文章目录1. 问题描述2. 解决方案 2.1 尝试方案一 2.2 尝试方案二 2.3 最终解决方案1. 问题描述 最近在使用文本处理模块textacy中的textacy.extract.pos_regex_ma
OpenCV数字图像处理基于C++：边缘检测
简单介绍了一些经典边缘检测算法，包括：差分边缘检测，Roberts算子，Sobel算子，Prewitt算子，拉普拉斯算子，高斯拉普拉斯算子和Canny边缘检测。
使用PyG进行图神经网络的节点分类、链路预测和异常检测
在这篇文章中，我们将回顾节点分类、链接预测和异常检测的相关知识和用Pytorch Geometric代码实现这三个算法。
[图像处理]14.分割算法比较 OTSU算法+自适应阈值算法+分水岭
如果扩大填充面积，area
ubuntu+docker+pycharm环境深度学习远程炼丹使用教程
前面详解介绍了如何搭建ubuntu+docker+pycharm的深度学习远程炼丹环境，接下来我们将以运行paddle邮件过滤为例，介绍如何通过pycharm调用在远程服务器上的docker，运行该深度学习的代码模型。
【AI】智能机器人回复调用青云客API
【AI】智能机器人回复调用青云客API
分类判别式模型——逻辑斯特回归曲线
本文介绍了分类的判别式模型，从以往机器学习的三大步骤引入；在寻找最优解中，比较了与线性回归梯度下降法的不同；在损失函数层面，比较了交叉熵和square error的差异；在分类模型上，比较是本专栏上文的分类生成模型。最后在多分类问题上进行了扩展，在无法解决的同或问题中引入了特征映射和神经网络的概念。
