- 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算... 分子性质预测是药物发现领域的一项基本任务。对其进行准确预测的计算方法可以大大加快以更快、更便宜的方式找到更好的候选药物的整体过程。传统的预测分子性质的计算方法主要依靠提取指纹或人为设计的特征，然后与机器学习算法结合使用。为了捕捉当前任务所需的特征，这类分子表征本身就带有领域专家的偏见。为了超越这种偏见，采用更通用的方法，不同类型的机器学习算...
- 今天给大家介绍以色列本·古里安大学的研究人员发表在NIPS2020上的一篇论文。图卷积网络（GCN）在处理无序数据（如点云和网格）方面已被证明是有效的方法，作者在有限差分和代数多重网格框架的启发下，提出了用于图卷积，池化和解池化的新颖方法——DiffGCN，经各种实验证明，DiffGCN拥有最好的结果。 介绍 过去的几年中，许多工作使用标... 今天给大家介绍以色列本·古里安大学的研究人员发表在NIPS2020上的一篇论文。图卷积网络（GCN）在处理无序数据（如点云和网格）方面已被证明是有效的方法，作者在有限差分和代数多重网格框架的启发下，提出了用于图卷积，池化和解池化的新颖方法——DiffGCN，经各种实验证明，DiffGCN拥有最好的结果。 介绍 过去的几年中，许多工作使用标...
- @Author：Runsen Faster R-CNN 由于Fast R-CNN 过程中仍然存在一个瓶颈，即ROI Projection。众所周知，检测对象的第一步是在对象周围生成一组潜在的边界框。在 Fast R-CNN 中，ROI Projection是使用Selective Search创建的，发现一个非常缓慢的过程是整个对象检测过程的瓶颈。 选择性搜索是一... @Author：Runsen Faster R-CNN 由于Fast R-CNN 过程中仍然存在一个瓶颈，即ROI Projection。众所周知，检测对象的第一步是在对象周围生成一组潜在的边界框。在 Fast R-CNN 中，ROI Projection是使用Selective Search创建的，发现一个非常缓慢的过程是整个对象检测过程的瓶颈。 选择性搜索是一...
- @Author：Runsen 本文博客目标：了解自动编码器的基本知识 参考文献 https://blog.keras.io/building-autoencoders-in-keras.html https://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in... @Author：Runsen 本文博客目标：了解自动编码器的基本知识 参考文献 https://blog.keras.io/building-autoencoders-in-keras.html https://medium.com/@curiousily/credit-card-fraud-detection-using-autoencoders-in...
- 一，model文件解释 yolov5的模型配置文件如下： # parametersnc: 80 # number of classesdepth_multiple: 1.0 # model depth multiplewidth_multiple: 1.0 # layer channel multiple # anchorsanchors: - [10,13,... 一，model文件解释 yolov5的模型配置文件如下： # parametersnc: 80 # number of classesdepth_multiple: 1.0 # model depth multiplewidth_multiple: 1.0 # layer channel multiple # anchorsanchors: - [10,13,...
- 系列内容深度学习CNN 文章目录 CNN网络架构图展示的卷积神经网络：卷积神经网络的层结构和全连接神经网络的层结构不同：卷积计算池化全连接 CNN网络架构 一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络，它的常用架构模式 INPUT -> [[CONV]*N -> POOL?]*M ... 系列内容深度学习CNN 文章目录 CNN网络架构图展示的卷积神经网络：卷积神经网络的层结构和全连接神经网络的层结构不同：卷积计算池化全连接 CNN网络架构 一个卷积神经网络由若干卷积层、Pooling层、全连接层组成。你可以构建各种不同的卷积神经网络，它的常用架构模式 INPUT -> [[CONV]*N -> POOL?]*M ...
- 原文:深度学习技术前沿 【CV中的Attention机制】基于SENet的改进-SKNet https://github.com/pppLang/SKNet/blob/master/sknet.py 论文地址：https://arxiv.org/abs/1903.06586 caffe: 代码地址：https://github.com/impl... 原文:深度学习技术前沿 【CV中的Attention机制】基于SENet的改进-SKNet https://github.com/pppLang/SKNet/blob/master/sknet.py 论文地址：https://arxiv.org/abs/1903.06586 caffe: 代码地址：https://github.com/impl...
- cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。 &nb... cnn中关于平均池化和最大池化的理解 接触到pooling主要是在用于图像处理的卷积神经网络中，但随着深层神经网络的发展，pooling相关技术在其他领域，其他结构的神经网络中也越来越受关注。一个典型的卷积神经网络结构图，其中的卷积层是对图像的一个邻域进行卷积得到图像的邻域特征，亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征。 &nb...
- 原文地址： RetinaFace: Single-stage Dense Face Localisation in the Wildarxiv.org 源码地址： https://github.com/deepinsight/insightface/tree/master/RetinaFace 参考代码 https://github... 原文地址： RetinaFace: Single-stage Dense Face Localisation in the Wildarxiv.org 源码地址： https://github.com/deepinsight/insightface/tree/master/RetinaFace 参考代码 https://github...
- 整体嵌套的边缘检测： Holistically-Nested Edge Detection vgg16： https://github.com/harsimrat-eyeem/holy-edge c++版的： https://github.com/harsimrat-eyeem/hed ... 整体嵌套的边缘检测： Holistically-Nested Edge Detection vgg16： https://github.com/harsimrat-eyeem/holy-edge c++版的： https://github.com/harsimrat-eyeem/hed ...
- darknet：网络挺快，但是权重比较大，占用内存比较多 darknet53 512 p100 gpu 15ms ShuffleNetV2 512 p100 gpu 15ms，但是权重比较小，占用内存小。 dla_34 p100 512 512 23ms 训练比较慢 if __n... darknet：网络挺快，但是权重比较大，占用内存比较多 darknet53 512 p100 gpu 15ms ShuffleNetV2 512 p100 gpu 15ms，但是权重比较小，占用内存小。 dla_34 p100 512 512 23ms 训练比较慢 if __n...
- 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边... 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边...
- https://www.maixj.net/ict/float16-32-64-19912 float16/32/64对神经网络计算的影响 神经网络的计算，或者说深度学习的计算，全都是浮点数。浮点数的类型分16/32/64（128位的不再考虑范围内，numpy和python最大只到float64），选择哪一种浮点数类型，对神经网络的计算有不同的影响。以下是... https://www.maixj.net/ict/float16-32-64-19912 float16/32/64对神经网络计算的影响 神经网络的计算，或者说深度学习的计算，全都是浮点数。浮点数的类型分16/32/64（128位的不再考虑范围内，numpy和python最大只到float64），选择哪一种浮点数类型，对神经网络的计算有不同的影响。以下是...
- opencv 调onnx https://github.com/Star-Clouds/CenterFace/blob/master/prj-python/centerface.py ncnn调，比如： https://github.com/moli232777144/mtcnn_ncnn/tree/master/src opencv 调onnx https://github.com/Star-Clouds/CenterFace/blob/master/prj-python/centerface.py ncnn调，比如： https://github.com/moli232777144/mtcnn_ncnn/tree/master/src
- 你的模型到底有多少参数，每秒的浮点运算到底有多少，这些你都知道吗？近日，GitHub 开源了一个小工具，它可以统计 PyTorch 模型的参数量与每秒浮点运算数（FLOPs）。有了这两种信息，模型大小控制也就更合理了。 其实模型的参数量好算，但浮点运算数并不好确定，我们一般也就根据参数量直接估计计算量了。但是像卷积之类的运算，它的参数量比较小，但是运算量非常... 你的模型到底有多少参数，每秒的浮点运算到底有多少，这些你都知道吗？近日，GitHub 开源了一个小工具，它可以统计 PyTorch 模型的参数量与每秒浮点运算数（FLOPs）。有了这两种信息，模型大小控制也就更合理了。 其实模型的参数量好算，但浮点运算数并不好确定，我们一般也就根据参数量直接估计计算量了。但是像卷积之类的运算，它的参数量比较小，但是运算量非常...
上滑加载中
推荐直播
-
华为云码道-玩转OpenClaw，在线养虾2026/03/11 周三 19:00-21:00
刘昱，华为云高级工程师/谈心，华为云技术专家/李海仑，上海圭卓智能科技有限公司CEO
OpenClaw 火爆开发者圈，华为云码道最新推出 Skill ——开发者只需输入一句口令，即可部署一个功能完整的「小龙虾」智能体。直播带你玩转华为云码道，玩转OpenClaw
回顾中 -
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中
热门标签