YOLOv5的head详解
yolov5的head详解，主要是detect部分
CUDA error: device-side assert triggered
原因1：模型大小不匹配在定义模型的最终全连接层时，我没有将 196（斯坦福汽车数据集的类总数）作为输出单元的数量，而是使用了 195。错误通常在您执行反向传播的行中识别。您的损失函数将比较模型的输出和数据集中该观察的标签。万一您对标签和输出感到困惑，请参阅下面我如何定义它们：原因2：损失函数输入错误
深度学习基础宝典---激活函数、Batch Size、归一化
深度学习基础宝典---激活函数、Batch Size、归一化
知识图谱构建流程步骤详解
知识图谱构建流程概览1.知识抽取1.1 知识抽取的主要任务（1）实体识别与抽取任务：识别出待处理文本中七类（人名、机构名、地名、时间、日期、货币和百分比）命名实体。两个子任务：实体边界识别和确定实体类型。（2）关系抽取任务：关系抽取是从文本中抽取出两个或多个实体之间的语义关系。它是信息抽取研究领域的
openCV 第四篇 角点检测、图像特征、图片拼接
openCV第四篇
Anaconda下载及安装（图文）
①官网下载安装包：下载地址：https://www.anaconda.com/products/distribution。
基于kaggle数据集的猫狗识别(超详细版本)
基于kaggle数据集的猫狗识别(超详细版本)，包含利用数据增强生成器显示图像、利用数据增强生成器训练卷积神经网络，直接可实现编译的完整代码
【自然语言处理（NLP）】基于GRU实现情感分类
【自然语言处理（NLP）】基于GRU实现情感分类，基于百度飞桨开发，参考于《机器学习实践》所作。
深度学习中高斯噪声：为什么以及如何使用
在数学上，高斯噪声是一种通过向输入数据添加均值为零和标准差(σ)的正态分布随机值而产生的噪声。
可视化VIT中的注意力
ViT中最主要的就是注意力机制，所以可视化注意力就成为了解ViT的重要步骤，所以我们这里介绍如何可视化ViT中的注意力
目标检测算法——YOLOv5/YOLOv7改进之GSConv+Slim Neck（优化成本）
目标检测算法——YOLOv5/YOLOv7改进之GSConv+Slim Neck，作者提出了一种新方法GSConv来减轻模型的复杂度并保持准确性。GSConv可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式Slim Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比，改进
CycleMLP:一种用于密集预测的mlp架构
CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。
一文读懂机器学习分类全流程
🏆在本文中，作者将带你了解机器学习分类的全流程，从问题分析>数据预处理>分类器选择>模型构建>精度评价>模型发布为Web应用。从0带读者入门机器学习分类。
免费GPU：九天•毕昇平台使用教程
深度学习非常依赖设备，训练模型就类似在“炼丹”，没有好的炼丹炉，想要复现顶刊中那些动辄8卡/4卡 Tesla V100显卡训练的模型，只能是“望洋兴叹”。那么对于缺乏设备的“穷人”来说，有没有办法去白嫖免费的算力资源呢？经过我的调研，基本有以下三种途径：谷歌的Colab谷歌的Colab可能不少人都用
yoloV5-face学习笔记
yolov5-face是在yolov5的基础上添加了人眼关键点检测。首先放上大佬的开源代码：https://github.com/deepcam-cn/yolov5-face一 代码复现原作者代码的注释非常少，很难直接跑通。1.下载WIDERFace数据集图片上图为https://github.co
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示1、题目要求其中数据附件一数据（截图部分）：附件二数据（部分截图）：在这里插入代码片问题一到问题四的思路：针对问题一，对附件 1 中的 5 个表单的四个传感器数据进行分析，提取相关特征。研究发现 VMD 方法在可以避免模态混叠问题。VMD
2022认证杯（小美赛）C题详细思路
目录C题问题背景：C题数据说明：C题任务：C题参考思路：问题一思路：问题二思路：问题三思路：C题完整思路获取：C题交流：人类行为理解的一个重要方面是对日常活动的识别和监控。 可穿戴活动识别系统可以改善许多关键领域的生活质量，例如动态监测、家庭康复和跌倒检测。 基于惯性传感器的活动识别系统被用于个人报
浅谈GCN
浅谈GCN
数据挖掘-模型怎么解决业务需求（五）
从项目的需求发起,到数据准备，再到模型训练、评估、上线，这些环节都遇到了什么样的问题,我们解决了什么问题，又有哪些问题尚未解决,在时间等条件充裕的情况下还可以做哪些尝试。介绍了一些关于模型保存、模型优化、模型部署的思路。讲解了关于项目总结，乃至模型监控等内容。
wandb不可缺少的机器学习分析工具
wandb是一款优秀的机器学习模型训练分析跟踪工具，通过它我们可以和简洁的分析出训练过程中指标和参数的变化情况，来更好的帮助我对模型进行调优，通过它还能够使得我们进行协同工作，分析我们的训练结果，帮助更好更方便的复现我们的模型...
