ArgMiner：一个用于对论点挖掘数据集进行处理、增强、训练和推理的 PyTorch 的包
对kaggle中Feedback Prize比赛该兴趣的小伙伴推荐了解下。ArgMiner可以用于对SOTA论点挖掘数据集进行标准化处理、扩充、训练和执行推断。
利用Matlab对双目摄像头进行标定
利用Matlab对双目摄像头进行标定
PyTorch 卷积网络正则化 DropBlock
论文地址：https://arxiv.org/pdf/1810.12890.pdfDropBlock 是一种类似于 dropout 的简单方法，它与 dropout 的主要区别在于，它从层的特征图中抹除连续区域，而不是抹除独立的随机单元类似地，DropBlock 通过随机地置零网络的响应，实现了通道
深度学习与神经网络之开宗明义: 详解人工智能
人工指的是人类生产制造而来，与之对应的是自然产生(进化)的。所以与人工智能相对应的就是`自然智能`。但两者并不是完全对立或者互斥的关系。所谓阴在阳之内，不在阳之对。大胆预测一下，未来的发展方向是将人工智能和自然智能进行融合。......
Tensorflow 2.x(keras)源码详解之第十五章：迁移学习与微调
1. 迁移学习与微调2. 了解 `trainable` 特性3. keras实现典型的迁移学习工作流4. 微调5. 使用自定义训练循环进行迁移学习和微调6. 一个端到端的实例：基于 Dogs vs. Cats 数据集微调图像分类模型
逆袭大学生的职业规划
逆袭大学生的职业规划，想逆袭的大学生速速看过来，考研就业两不误
Github Copilot 值得购买吗？使用GitHub Copilot进行快速EDA的示例
本篇文章作为例子来演示如何将Copilot用于探索性分析,看看每月10美元是否值得
考虑关系的图卷积神经网络R-GCN的一些理解以及DGL官方代码的一些讲解
昨天写的GCN的一篇文章入榜了，可喜可贺。但是感觉距离我的目标还是有点远，因为最后要用R-GAT，我感觉可能得再懂一点R-GCN和GAT才可能比较好的理解R-GAT，今天就尝试一下把R-GCN搞搞清楚吧（至少得读懂DGL官方给的代码吧）R-GCN和GCN的区别就在于这个R。R-GCN考虑了关系对消息
图灵奖得主LeCun指明AI未来的出路在于自主学习，这家公司已踏上征途
通用人工智能的困境：举一不能反三“通用人工智能”（AGI，也即强人工智能）的出现尚显遥远。究其原因，在于当前AI仍高强度依赖于海量的训练数据，与千万乃至上亿级数的被动式监督学习训练，才可实现一点点人类认知能力的复用。当前AI可使用强大算力处理人类无法顾及的千亿级数据，但在主动的领悟能力方面，可能连2
PyTorch中repeat、tile与repeat_interleave的区别
PyTorch中repeat、tile与repeat_interleave的区别
基于Python实现相机标定正畸并生成鸟瞰图
参考 Learning OpenCV 示例 18-1，利用棋盘格图像进行相机定标，将参数写入 XML 文件保存。棋盘格图像见群文件 LearningOpenCV/LearningOpenCV_Code/LearningOpenCV_Code/calibration参考示例 19-1，根据求得的内参实
Geoffrey Hinton：我的五十年深度学习生涯与研究心法
“如果能弄清一大批聪明人正在研究什么，然后你再去做不一样的研究，总是一个好主意。”
大数据----数据仓库架构
把数据仓库架构理解成构成数据仓库的组件及其之间的关系图中显示的整个数据仓库环境包括操作型系统和数据仓库系统两大部分。操作型系统的数据由各种形式的业务数据组成，这其中可能有关系数据库、TXT或CSV文件、HTML或XML文档，还可能存在外部系统的数据，比如网络爬虫抓取来的互联网数据等，数据可能是结构化
Keras深度学习实战——基于VGG19模型实现性别分类
VGG19 是 VGG16 的改进版本，具有更多的卷积和池化操作。本文首先简要介绍了 VGG19 的架构，并使用 Keras 中预训练的 VGG19 模型进行性别分类实战。
基于图的 Affinity Propagation 聚类计算公式详解和代码示例
Affinity Propagation Clustering（简称AP算法）是2007提出的，当时发表在Science上《single-exemplar-based》。特别适合高维、多类数据快速聚类，相比传统的聚类算法，该算法算是比较新的，从聚类性能和效率方面都有大幅度的提升。
丢弃法Dropout(Pytorch)
介绍了dropout（丢弃法），以及PyTorch的从零实现和调API实现
权重衰退（PyTorch）
权重衰退和正则项的影响本质以及Pytorch的代码实现
计算复杂度
计算复杂度的简单理解
GPU启用及Pytorch/Cuda安装
最近在跑神经网络，用CPU跑实在是太慢了，于是决定探究一下怎么用GPU跑，配置GPU环境的过程异常艰辛，为此还阅读几十篇CSDN+知乎优秀博主的优质论文，最后终于整出来了，现在我总结一下就当做个备忘录吧。以下内容引用了很多博主的博客内容，如有侵权，立刻删除。.........
图卷积神经网络GCN的一些理解以及DGL代码实例的一些讲解
近些年图神经网络十分火热，因为图数据结构其实在我们的现实生活中更常见，例如分子结构、人的社交关系、语言结构等等。NLP中的句法树、依存树就是一种特殊的图，因此，图神经网络的学习也是必不可少的。GCN是图卷积神经网络，初期研究者为了从数学上严谨的推导该公式是有效的，所以会涉及到诸如傅里叶变换，拉普拉斯
