MobileViT模型简介
自从2010年ViT(Vision Transformer)模型的横空出世，人们发现了Transformer架构在视觉领域的巨大潜力。近些年，越来越多的科研人员投入Transformer的怀抱，视觉领域的各项任务也不断被Transformer架构模型刷新。Transformer虽然强大，但在现在看来
Checkerboard Artifacts（棋盘伪影）的发生以及解决方案：
kernel_size=3，stride=2：以输出中第三行元素为例，从左往右接受的信息量依次由输入中的2/2/4/2/2个元素提供，中间元素接受信息量不同，此为“不均匀重叠”。此外，当kernel_size=3，stride=2时，一维转置卷积输出中依次接受输入特征的1/1/2/1/1个元素提供的
PySpark数据分析基础：pyspark.mllib.regression机器学习回归核心类详解(一)+代码详解
PySpark数据分析基础系列文章更新有一段时间了，其中环境搭建和各个组件部署都已经完成。借此征文活动我将继续更新Pyspark这一大块内容的主体部分，也是十分重要且比较难懂不易编程的部分。在从事大数据计算以及分析的这段历程中，陪伴我最多的也就是anaconda和Jupyter了，当然此次演示还是用
搞 AI 建模预测都在用 Python，其实入门用 SPL 也不错
可以用来做人工智能建模预测的工具非常多，比如Python, R, SAS，SPSS等，其中Python由于简单易学、丰富的数据科学库、开源免费等特点备受欢迎。但是对于不太熟悉数据建模算法的程序员来说，使用Python建模还是比较复杂，很多时候拿到数据并不清楚该做怎样的处理，选择什么样的算法。其实，在
【计算机视觉】图像增强——图像的形态学操作
主要介绍常见的数学形态学运算基本方法，了解腐蚀、膨胀、开运算、闭运算
Opencv项目实战：07 人脸识别和考勤系统
我们将学习如何以高精度执行面部识别，首先简要介绍理论并学习基本实现。然后我们将创建一个考勤项目，该项目将使用网络摄像头检测人脸并在 Excel 表中实时记录考勤情况。
时间序列中的特征选择：在保持性能的同时加快预测速度
在这篇文章中，我们展示了特征选择在减少预测推理时间方面的有效性，同时避免了性能的显着下降。tspiral 是一个 Python 包，它提供了各种预测技术。并且它与 scikit-learn 可以完美的集成使用。
[BPU部署教程] 教你搞定YOLOV5部署 (版本: 6.2)
在BPU上部署yolov5，实现目标检测功能
opencv入门四
opencv
python从入门到实践：项目1-ATM取款机（完成代码）
通过上图，我们可以看到，一个完整的项目，基本包括三个部分：用户视图层、接口层、数据处理层，其中，用户视图层是用来接收用户的数据输入的，比如：有户名，密码；接口层是要接收用户视图层传来的数据，然后做判断：名字是否存在、密码是否正确，这就要求接口层调用数据处理层的方法；数据处理层就需要接收接口层的参数，
猿创征文｜深度学习基于ResNet18网络完成图像分类
CIFAR-10数据集包含了10种不同的类别、共60,000张图像，其中每个类别的图像都是6000张，图像大小均为32×3232×32像素。
研二弱鸡的新学期flag
新学期flag
【深度学习前沿应用】目标检测
【自然语言处理（NLP）】目标检测，基于百度飞桨开发，参考于《机器学习实践》所作。
猿创征文｜人工智能啾养成之路 - 写代码三天，CSDN治好了我的精神内耗
猿创征文｜侯小啾的IT之路 - 写代码三天，CSDN治好了我的精神内耗
猿创征文｜TensorFlow部署及最佳实践
TensorFlow （dataflow programming）是一个机器学习框架，如果你有大量的数据，或者你在追求人工智能最先进的技术：深度学习、神经网络等，它都会使你如虎添翼。
数学建模学习（99）：多目标寻优 非支配排序遗传算法NSGA III
python 多目标寻优 非支配排序遗传算法NSGA III
Opencv图像基本操作——读取、显示、截取图像、属性、颜色通道、边界填充、图像融合
Opencv图像基本操作——读取、显示、截取图像、属性、颜色通道、边界填充、图像融合
365天深度学习 | 第7周：咖啡豆识别
关于卷积的相关知识可以参考文章：https://mtyjkh.blog.csdn.net/article/details/114278995。我们可以通过class_names输出数据集的标签。2)需要的存储容量大，不利于部署。在官方模型与自建模型之间进行二选一就可以了，选着一个注释掉另外一个。VG
