一口气刷完牛客网全部机器学习算法题
不知道为什么最近突然觉得牛客网很火，好奇心驱使下我也点开看了看...发现真的不错。
人工智能：卷积神经网络及YOLO算法 入门详解与综述（二）
卷积神经网络的基本结构由输入层、卷积层、池化层（也称为取样层）、全连接层及输出层构成。卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。由于卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加
RepVGG网络简介
VGG网络是2014年由牛津大学著名研究组VGG (Visual Geometry Group) 提出的。在2014到2016年（ResNet提出之前），VGG网络可以说是当时最火并被广泛应用的Backbone。后面由于各种新的网络提出，论精度VGG比不上ResNet，论速度和参数数量VGG比不过M
5分钟NLP-知识问答(KBQA)两种主流方法：基于语义解析和基于信息检索的方法介绍
基于知识的问答是以知识库为认知源，在知识库的基础上回答自然语言问题。在本文中讲介绍知识问答两种主要方法。
Faster RCNN学习笔记
对Faster RCNN的学习进行一些记录，方便后面的复习，有错误欢迎指出
YOLOv7来临：论文解读附代码解析
官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。在5FPS到160FPS的范围内，无论是速度或是
强化学习入门笔记
我们先回忆一下童年，来看看超级玛丽这款游戏在这款游戏里面的，我们需要控制超级玛丽进行左右行走、跳、攻击等动作，来躲避或攻击小动物、吃金币以及各种类型的增益道具。最终，获得的金币数量的多少以及通关代表我们玩游戏玩的好不好。那么，如果我们希望让机器来玩这个游戏呢？怎么能让机器在合适的时候做出合适的动作？
数学建模学习（73）：用Python敏感性分析,如此轻松简单
数学建模中的敏感性分析详细实现，从建模到敏感性分析。
Pytorch入门实战（6）：基于GAN生成简单的动漫人物头像
Pytorch入门实战（6）：基于GAN生成简单的动漫人物头像
【OpenCV】车辆识别 C++ OpenCV 原理介绍 + 案例实现
本文主要以车辆识别为目标，利用 C++语言 结合 Qt + OpenCV 进行图像处理相关步骤的讲解
基于双语数据集搭建seq2seq模型
基于英-法数据集搭建无注意力机制的seq2seq模型
使用 CLIP 对没有标记的图像进行零样本无监督分类
OpenAI 提出的CLIP模型，不需要标签并且在 ImageNet 上实现 76.2% 的测试准确率，在这篇文章中将概述 CLIP 的信息，如何使用它来最大程度地减少对传统的监督数据的依赖，以及它对深度学习从业者的影响。
基于GAN的时序缺失数据填补前言（1）——RNN介绍及pytorch代码实现
本专栏将主要介绍基于GAN的时序缺失数据填补。提起时序数据，就离不开一个神经网络——循环神经网络（Recurrent Neural Network, RNN）。RNN是一类用于处理序列数据的神经网络。RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息。因为在介绍时序缺失数据填补，就离不开R
利用有放回抽样估计自然常数e python
利用有放回抽样中一个数字没有被抽到的概率估计自然常数e python 使用字典dict 集合set numpy三种实现方式
【深度学习】（一）机器学习基础学习笔记
作为一个图像算法工程师，传统图像算法和深度学习算法都应该掌握，这样在面对不同的实际场景时可以有更多得解决方法。之前的文章基本上都是以传统方法为主，所以今天一起来学习一下有关深度学习的算法。以后也会持续更新深度学习相关的内容。AI人工智能包含的内容十分广泛，对于图像处理而言，机器学习、深度学习或者计算
【GNN报告】复旦大学黄增峰：从优化的角度理解图神经网络
从优化的角度理解图神经网络报告
【OpenCV】Qt + OpenCV 开发配置 + 入门知识（代码示例）
本文主要学习 Windows下Qt + OpenCV的开发环境的相关配置，以及OpenCV入门相关案例包括 OpenCV图像原理、基础图像操作、案例实现
AI遮天传 ML-KNN
我们之前学习的方法如决策树、回归分析、贝叶斯分析都可以看作是 三步走 的学习方法，即：那么有没有一种学习方法 不遵循模型假设+参数估计呢？
OpenCV：04图像的基本变换
关键API：其中：结果：结果：可以看到xy轴都缩小了一半仿射变换是图像旋转、缩放、平移的总称。具体的做法是通过一个矩阵和原图片进行坐标运算，得到新的坐标，完成变换，所以仿射变换的关键就是这个矩阵仿射变换不会改变每个像素点上的RGB色彩，只会改变像素对应的位置 ——> 我们只要找出其中对应的数学关系，
Block Recurrent Transformer：结合了LSTM和Transformer优点的强大模型
2022年3月Google研究团队和瑞士AI实验室IDSIA提出了一种新的架构，称为Block Recurrent Transformer 从名字中就能看到，这是一个新型的Transformer模型，它利用了lstm的递归机制，在长期序列的建模任务中实现了显著改进。
