【论文导读】 - 关于联邦图神经网络的3篇文章
图神经网络( GNNs )凭借其强大的处理实际应用中广泛存在的图数据的能力，受到了广泛的研究关注。然而，随着社会越来越关注数据隐私，GNNs面临着适应这种新常态的需要。这导致了近年来联邦图神经网络( FedGNNs )研究的快速发展。虽然前景广阔，但这一跨学科领域感兴趣的研究者来说是极具挑战性的。对
Tensorflow车牌识别完整项目（含完整源代码及训练集）
基于TensorFlow的车牌识别系统设计与实现，运用tensorflow和OpenCV的相关技术，实现车牌的定位、车牌的二值化、车牌去噪增强、图片的分割，模型的训练和车牌的识别等
西瓜书习题 - 10.机器学习初步考试
西瓜书前9章内容考试题目
OpenAI是什么？
在未来，人工智能将是一个巨大的行业。OpenAI正致力于创造一个生态系统，该系统能够使任何人都可以使用、分享和扩展其 AI技能。它为用户提供了一种新的方式，让任何人都可以学习新技术并且在这个世界上变得更好。
TensorFlow和PyTorch的实际应用比较
TensorFlow和PyTorch是两个最受欢迎的开源深度学习框架，本文与其他文章的特性的对比不同，我们将以实际应用出发，从性能、可伸缩性和其他高级特性方面比较TensorFlow和PyTorch。
ROS从入门到精通9-1：项目实战之智能跟随机器人原理与实现
智能跟随机器人是其中很常见的应用，在各类竞赛、创新项目、开源项目甚至商业项目中都有应用，2022年TI杯C赛题就是跟随机器人的应用，本文讲解智能跟随机器人原理和代码实现
【自然语言处理（NLP）】基于循环神经网络实现情感分类
【自然语言处理（NLP）】基于循环神经网络实现情感分类，基于百度飞桨开发，参考于《机器学习实践》所作。
FPN网络详解
特征金字塔(Feature Pyramid Networks， FPN)的基本思想是通过构造一系列不同尺度的图像或特征图进行模型训练和测试，目的是提升检测算法对于不同尺寸检测目标的鲁棒性。但如果直接根据原始的定义进行FPN计算，会带来大额的计算开销。为了降低计算量，FPN采用一种多尺度特征融合的方法
简单三步 用Yolov5快速训练自己的数据集
Yolov5训练自己的数据集教程
9个时间序列交叉验证方法的介绍和对比
在本文中，我们收集了时间序列的常用的9种交叉验证方法。这些包括样本外验证(holdout)或流行的K-fold交叉验证的几个扩展。
利用R语言进行主成分分析的步骤
本文主要介绍如何利用R语言进行主成分分析
KNN算法介绍
KNN（K- Nearest Neighbor）法即K最邻近法，最初由 Cover和Hart于1968年提出，是最简单的机器学习算法之一，属于有监督学习中的分类算法。算法思路简单直观：分类问题：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这
李沐《动手学深度学习》d2l——安装和使用
今天想要跟着沐神学习一下循环神经网络，在跑代码的时候，d2l出现了问题，这里记录一下解决的过程，方便以后查阅。
MS-TTS：免费微软TTS语音合成工具（一键合成导出MP3音频）
免费微软TTS语音合成工具（一键合成导出MP3音频）
【深度学习】3-从模型到学习的思路整理
关于训练模型的整个思路老是不太流畅，因此做了一些整理。
图像分类方法总结
1. 图像分类问题描述图像分类问题是计算机视觉领域的基础问题，它的目的是根据图像的语义信息将不同类别图像区分开来，实现最小的分类误差。具体任务要求是从给定的分类集合中给图像分配一个标签的任务。总体来说，对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分
为深度学习选择最好的GPU
最后现在4090还是处于耍猴的状态，基本上要抢购或者加价找黄牛但是16384 CUDA + 24GB，对比3090 的10496 CUDA ，真的很香。而4080 16G的9728CUDA 如果价格能到7000内，应该是一个性价比很高的选择。12G的 4080就别考虑了，它配不上这个名字。对于AMD
【一起入门MachineLearning】中科院机器学习期末考试*总复习*-考前押题+考后题目回忆
明天期末考试，周晓飞老师说成绩会在80正态分布，不会出现95分以上的成绩，老师都这么努力了，我怎么可以不努力???????? 机器学习期末题库题型选择：少选不扣全分简答计算：CART树和隐马尔可夫计算不考✨，不会出现小数点以后的计算????（我怎么觉得老师说这话不可置信呢，这一句话把计算题排除得也没
出现 CUDA out of memory 的解决方法
（我的网络调整不可行，但是你们可试试这个方法排查），可能有些人可以调整。既然网络过大，调整其batch_size，让其变小即可（需要是2的倍数），减少原本需要 requires_grad=True 的计算的内存消耗。这个方法坏处是精度准确度可能会被影响，甚至减少后，反向传播期间会溢出。类似以下代码，
使用Flask快速部署PyTorch模型
今天我将通过一个简单的案例：部署一个PyTorch图像分类模型，介绍如何启动和运行我们的模型
