Deephub
更多文章请关注公众号：Deephub-IMBA
可解释的AI:用LIME解释扑克游戏
可解释的AI（XAI）一直是人们研究的一个方向，在这篇文章中，我们将看到如何使用LIME来解释一个模型是如何学习扑克规则的。
使用马尔可夫链构建文本生成器
本文中将介绍一个流行的机器学习项目——文本生成器，你将了解如何构建文本生成器，并了解如何实现马尔可夫链以实现更快的预测模型。
Stable Diffusion的入门介绍和使用教程
Stable Diffusion是一个文本到图像的潜在扩散模型，本文将介绍如何使用Stable Diffusion以及它具体工作的原理
TwoModalBERT进行角色分类
魔改模型，不一定有用，但很好玩
经典CNN设计演变的关键总结：从VGGNet到EfficientNet
卷积神经网络设计史上的主要里程碑：模块化、多路径、因式分解、压缩、可扩展
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。
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。