Deephub
更多文章请关注公众号：Deephub-IMBA
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。
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
论文推荐：基于深度对抗学习的超声图像乳腺肿瘤分割与分类
条件GAN (cGAN) + Atrous卷积(AC) +带权重块的通道注意力(CAW)
图嵌入概述：节点、边和图嵌入方法及Python实现
本文将提供一个基于图的嵌入算法的高层次的概述。最后还将介绍如何用Python库(如node2vec)来在图上生成各种嵌入。
使用PyTorch实现简单的AlphaZero的算法（2）：理解和实现蒙特卡洛树搜索
本篇文章将实现AlphaZero的核心搜索算法：蒙特卡洛树搜索
使用PyTorch实现简单的AlphaZero的算法（1）：背景和介绍
在本文中，我们将在PyTorch中为Chain Reaction[2]游戏从头开始实现DeepMind的AlphaZero[1]。
论文推荐：基于GE-MRI的多任务学习
医学图像分析，多任务学习，图像分类，图像分割，U-Net，后处理
PyTorch实现非极大值抑制(NMS)
NMS即non maximum suppression即非极大抑制，顾名思义就是抑制不是极大值的元素，搜索局部的极大值。
11个常见的分类特征的编码技术
机器学习算法只接受数值输入，所以如果我们遇到分类特征的时候都会对分类特征进行编码，本文总结了常见的11个分类变量编码方法。
从头开始进行CUDA编程：Numba并行编程的基本概念
本文不是 CUDA 或 Numba 的综合指南，本文的目标是通过用Numba和CUDA编写一些简单的示例，这样可以让你了解更多GPU相关的知识
时间序列分解：将时间序列分解成基本的构建块
大多数时间序列可以分解为不同的组件，在本文中，我将讨论这些不同的组件是什么，如何获取它们以及如何使用 Python 进行时间序列分解。
U-Net在2022年相关研究的论文推荐
UNet 可以算是 FCN 的一种变体，是最常用、最简单的一种分割模型，简单、高效、易懂、容易构建，且可以从小数据集中训练。2015 年，UNet 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出 。
Keras可视化神经网络架构的4种方法
keras 中有一些现成的包可以创建我们的神经网络模型的可视化表示。
使用上下文装饰器调试Pytorch的内存泄漏问题
装饰器是 python 上下文管理器的特定实现。本片文章将通过一个pytorch GPU 调试的示例来说明如何使用它们。
使用PyTorch进行小样本学习的图像分类
我们将从几个样本中学习的问题被称为“少样本学习 Few-Shot learning”。我们将从几个样本中学习的问题被称为“少样本学习 Few-Shot learning”。少样本学习是机器学习的一个子领域。
贝叶斯推理三种方法：MCMC 、HMC和SBI
本文将阐明为什么贝叶斯方法不仅在逻辑上是合理的，而且使用起来也很简单。这里将以三种不同的方式实现相同的推理问题。
10个机器学习中常用的距离度量方法
距离度量是有监督和无监督学习算法的基础，包括k近邻、支持向量机和k均值聚类等。
PyTorch中的多GPU训练：DistributedDataParallel
本文将介绍DistributedDataParallel，DDP 基于使用多进程而不是使用多线程的 DP，可以扩充到多机多卡的环境，所以他是分布式多GPU训练的首选。
基于深度学习的Deepfake检测综述
在过去的几年里已经进行了数百项研究，发明和优化各种使用 AI 的 Deepfake 检测，本文主要就是讨论如何对 Deepfake 进行检测