PyTorch常用5个抽样函数
在本文中，我们将介绍PyTorch中的常见抽样函数。抽样是一个统计过程，它从总体中提取一个子集，通过子集来研究整个总体。
语义分割系列15-UPerNet（pytorch实现）
本文介绍了UPerNet论文思想，介绍了UPerNet作者如何创建Multi-task数据集以及如何设计UPerNet网络和检测头来解决Multi-task任务。本文对于UPerNet语义分割部分的模型进行单独复现，所有代码基于pytorch框架，并在Camvid数据集上进行训练和测试。......
YOLOV5-断点训练/继续训练
yolov5-断点训练/继续训练
【代码实践】使用CLIP做一些多模态的事情
CLIP到底有多强，让我们来试试吧！CLIP模型及代码地址：GitHub - openai/CLIP: Contrastive Language-Image Pretraining一、准备环境先创建一个anaconda虚拟环境，包含python=3.7版本，将该环境命名为clip。成功。（ pyto
机器学习之支持向量机（SVM）对乳腺癌数据二分类python实现
支持向量机（Support Vector Machines）是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。通过数学推导和代码实现SVM。......
【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。
猿创征文｜宝藏工具篇｜数字芯片设计，嵌入式开发，人工智能｜没我可以，没你不行！
本文专注于各式各样的宝藏工具推荐，【行业】包括了数字芯片设计，人工智能算法，软件程序开发等等，【领域】包括了技术开发、论文撰写、高效办公等等，【方向】包括了编程、发文、汇报等等。
TransUnet官方代码测试自己的数据集（已训练完毕）
首先参考上一篇的训练过程，这是测试过程，需要用到训练过程的权重。1. TransUnet训练完毕之后，会生成权重文件（默认保存位置如下），snapshot_path为保存权重的路径。权重文件2. 修改test.py文件调整数据集路径。训练和测试时的图像设置相同大小。配置数据集相关信息。手动添加权重。
时间序列分析中的自相关
什么是自相关以及为什么它在时间序列分析中是有用的。
从头开始进行CUDA编程：线程间协作的常见技术
在本篇文章我们将介绍一些允许线程在计算中协作的常见技术。
Novel-Ai本地部署教程
今天就来给大家讲解一下如何在本地部署最近很火的ai绘图novel-ai。首先来了解一下novel-ai是什么----其有python模板训练而成可根据使用者提供的关键词来进行ai绘图。
NLP（自然语言处理）
目前存在的问题有两个方面：一方面，迄今为止的语法都限于分析一个孤立的句子，上下文关系和谈话环境对本句的约束和影响还缺乏系统的研究，因此分析歧义、词语省略、代词所指、同一句话在不同场合或由不同的人说出来所具有的不同含义等问题，尚无明确规律可循，需要加强语用学的研究才能逐步解决。对大规模文档进行索引。自
Transformer模型入门详解及代码实现
本文对Transformer模型的基本原理做了入门级的介绍，意在为读者描述整体思路，而并非拘泥于细微处的原理剖析，并附上了基于PYTORCH实现的Transformer模型代码及详细讲解。
浅谈人工智能时代下的工程伦理问题
人工智能伦理的场景源于道德技术和原则体系，这些技术和原则是为人工智能的发展和负责任地使用而确定的。人工智能代码伦理的结果已经揭示为生活各个领域服务和产品的一个组成部分。人工智能伦理的另一个定义术语是人工智能价值平台;这是一份政策声明，阐述了人工智能参与人类世代发展的过程。该目标道德准则旨在为利益相关
clip预训练模型综述
CLIP是一个预训练模型，就像BERT、GPT、ViT等预训练模型一样。首先使用大量无标签数据训练这些模型，然后训练好的模型就能实现，输入一段文本（或者一张图像），输出文本（图像）的向量表示。CLIP和BERT、GPT、ViT的区别在于，CLIP是多模态的，包含图像处理以及文本处理两个方面内容，而B
基础的强化学习(RL)算法及代码详细demo
基础的强化学习算法及代码详细demo
梯度下降算法(Gradient descent)
人工智能基础算法 梯度下降算法Gradient descent
【关系抽取】深入浅出讲解实体关系抽取（介绍、常用算法）
关系抽取（Relation Extraction，简称RE）的概念是1988年在MUC大会上提出，是信息抽取的基本任务之一，目的是为了识别出文本实体中的目标关系，是构建知识图谱的重要技术环节。知识图谱是语义关联的实体，它将人们对物理世界的认知转化为计算机能够以结构化的方式理解的语义信息。关系抽取通过
使用LIME解释CNN
图像与表格数据集有很大不同，我们用突出显示图像中模型预测的重要区域的方法观察可解释性
yolov5模型压缩之模型剪枝
稀疏剪枝
