- @toc完整代码：https://download.csdn.net/download/qq_43753724/86242828 1、自编码器原理 先考虑有监督学习中神经网络的功能：o=fθ(x),x∈Rdin,o∈Rdouto=f_\theta (x),x\in R^{d_{in}}, o\in R^{d_{out}}o=fθ(x),x∈Rdin,o∈Rdout dind_{in... @toc完整代码：https://download.csdn.net/download/qq_43753724/86242828 1、自编码器原理 先考虑有监督学习中神经网络的功能：o=fθ(x),x∈Rdin,o∈Rdouto=f_\theta (x),x\in R^{d_{in}}, o\in R^{d_{out}}o=fθ(x),x∈Rdin,o∈Rdout dind_{in...
- @toc 1、变分自编码器 基本的自编码器本质上是学习输入𝒙和隐藏变量𝒛之间映射关系，它是一个判别模型 (Discriminative model)，并不是生成模型(Generative model)。那么能不能将自编码器调整为 生成模型，方便地生成样本呢？ 给定隐藏变量的分布P(𝒛)，如果可以学习到条件概率分布P(𝒙|𝒛)，则通过对联合概率 分布P(𝒙, 𝒛) = P(?... @toc 1、变分自编码器 基本的自编码器本质上是学习输入𝒙和隐藏变量𝒛之间映射关系，它是一个判别模型 (Discriminative model)，并不是生成模型(Generative model)。那么能不能将自编码器调整为 生成模型，方便地生成样本呢？ 给定隐藏变量的分布P(𝒛)，如果可以学习到条件概率分布P(𝒙|𝒛)，则通过对联合概率 分布P(𝒙, 𝒛) = P(?...
- @toc 1、一维卷积英语电影评论情感分类项目 1.1 项目数据和模型说明 使用一 维卷积对英语文本进行情感分类。我们要使用的数据集是 IMDB 电影评论数据集，数 据分为正面评论和负面评论。这个数据集直接从 Tensorflow 中获得：from tensorflow.keras.datasets import imdb 我们不需要进行任何数据处理就可以直接载入数据，数据的训练集有 2... @toc 1、一维卷积英语电影评论情感分类项目 1.1 项目数据和模型说明 使用一 维卷积对英语文本进行情感分类。我们要使用的数据集是 IMDB 电影评论数据集，数 据分为正面评论和负面评论。这个数据集直接从 Tensorflow 中获得：from tensorflow.keras.datasets import imdb 我们不需要进行任何数据处理就可以直接载入数据，数据的训练集有 2...
- @toc 1、数据集说明 这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen ti_100k/intro.ipynb。如果你有其他... @toc 1、数据集说明 这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen ti_100k/intro.ipynb。如果你有其他...
- @toc 1、数据集说明 这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen ti_100k/intro.ipynb如果你有其他数... @toc 1、数据集说明 这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen ti_100k/intro.ipynb如果你有其他数...
- @[toc] 摘要知识蒸馏（Knowledge Distillation），简称KD，将已经训练好的模型包含的知识(”Knowledge”)，蒸馏(“Distill”)提取到另一个模型里面去。Hinton在"Distilling the Knowledge in a Neural Network"首次提出了知识蒸馏（暗知识提取）的概念，通过引入与教师网络（Teacher network：复杂... @[toc] 摘要知识蒸馏（Knowledge Distillation），简称KD，将已经训练好的模型包含的知识(”Knowledge”)，蒸馏(“Distill”)提取到另一个模型里面去。Hinton在"Distilling the Knowledge in a Neural Network"首次提出了知识蒸馏（暗知识提取）的概念，通过引入与教师网络（Teacher network：复杂...
- @toc 这是根据网上视频做的一个硅谷课堂微服务项目，理由有涉及到微信公众号的开发。 个人用户暂时只能用测试号开发，尤其注意内网穿透那里，昨晚域名没配置好卡在那了，改了半天没改好，白天在看论文没搞这个，晚上突然灵感来了找到了问题的关键，就当bug记录了。 笔记也是参考别人的，我根据自己的代码和配置做了一点小改动。 也可以去看我去年写过的另一篇文章：微信扫码登录实现 1、需求描述 根... @toc 这是根据网上视频做的一个硅谷课堂微服务项目，理由有涉及到微信公众号的开发。 个人用户暂时只能用测试号开发，尤其注意内网穿透那里，昨晚域名没配置好卡在那了，改了半天没改好，白天在看论文没搞这个，晚上突然灵感来了找到了问题的关键，就当bug记录了。 笔记也是参考别人的，我根据自己的代码和配置做了一点小改动。 也可以去看我去年写过的另一篇文章：微信扫码登录实现 1、需求描述 根...
- @toc 1、DenseNet简介 DenseNet的文章我以前写过，原理篇看这里：DenseNet:Densely Connected Convolutional Networks–CVPR2017最佳论文奖 在本文中，我们提出了一种架构，将这种见解提炼成一个简单的连接模式：为了确保网络中各层之间的最大信息流，我们将所有层（具有匹配的特征图大小）直接相互连接。为了保持前馈特性，每一层都... @toc 1、DenseNet简介 DenseNet的文章我以前写过，原理篇看这里：DenseNet:Densely Connected Convolutional Networks–CVPR2017最佳论文奖 在本文中，我们提出了一种架构，将这种见解提炼成一个简单的连接模式：为了确保网络中各层之间的最大信息流，我们将所有层（具有匹配的特征图大小）直接相互连接。为了保持前馈特性，每一层都...
- 将24比特真彩色图像在失真较小的情况下转换成8比特(256色)调色板图像，是比较复杂的图像减色问题。这里尝试使用环形Kohonen自组织网络，用图像中的每个像素点的红绿蓝(RGB)分量值作为样本输入，训练自组织网络，其输入节点为3，分别输入红绿蓝分量值，输出节点为256，分别代表256个调色板颜色。实验表明，这是一种行之有效的方法。 将24比特真彩色图像在失真较小的情况下转换成8比特(256色)调色板图像，是比较复杂的图像减色问题。这里尝试使用环形Kohonen自组织网络，用图像中的每个像素点的红绿蓝(RGB)分量值作为样本输入，训练自组织网络，其输入节点为3，分别输入红绿蓝分量值，输出节点为256，分别代表256个调色板颜色。实验表明，这是一种行之有效的方法。
- 动态规划比较适合用来求解最优问题，比如求最大值、最小值等等。它可以非常显著地降低时间复杂度，提高代码的执行效率。 它和递归一样都非常难学，主要学习难点在于求解问题的过程不太符合人类常规的思维方式。 动态规划比较适合用来求解最优问题，比如求最大值、最小值等等。它可以非常显著地降低时间复杂度，提高代码的执行效率。 它和递归一样都非常难学，主要学习难点在于求解问题的过程不太符合人类常规的思维方式。
- 一元线性回归用以解释一个自变量与因变量之间的线性关系，用y=ax+b来描述因变量y与一个自变量x的线性依存关系。由于事物之间的相互联系往往是多方面的，需要用线性方程来描述和分析一个因变量和多个自变量的数量关系，这就是多元线性回归。使用一组自变量和因变量的观测值，在误差平方和为最小的前提下，采用最小二乘法求解出线性回归系数，并考察回归方程的优劣以及变量的取舍。 一元线性回归用以解释一个自变量与因变量之间的线性关系，用y=ax+b来描述因变量y与一个自变量x的线性依存关系。由于事物之间的相互联系往往是多方面的，需要用线性方程来描述和分析一个因变量和多个自变量的数量关系，这就是多元线性回归。使用一组自变量和因变量的观测值，在误差平方和为最小的前提下，采用最小二乘法求解出线性回归系数，并考察回归方程的优劣以及变量的取舍。
- 更新日志：2022年8月16日上午9:33分前在图片中==增加感受野标注==🍀更新日志：2022年8月29日晚上11点40分在文中增加了SimSPPF模块，并测试了速度更新日志：2022年8月30日修正了SPPCSPC的结构图更新日志：2022年8月30日增加了SPPFCSPC的结构 1 原理 1.1 SPP（Spatial Pyramid Pooling）SPP模块是何凯明大神在2015... 更新日志：2022年8月16日上午9:33分前在图片中==增加感受野标注==🍀更新日志：2022年8月29日晚上11点40分在文中增加了SimSPPF模块，并测试了速度更新日志：2022年8月30日修正了SPPCSPC的结构图更新日志：2022年8月30日增加了SPPFCSPC的结构 1 原理 1.1 SPP（Spatial Pyramid Pooling）SPP模块是何凯明大神在2015...
- 《You Only Look Once: Unifified, Real-Time Object Detection》Joseph Redmon∗* , Santosh Divvala∗†, Ross Girshick*¶* , Ali Farhadi∗†University of Washington∗ , Allen Institute for AI*†* , Facebook AI ... 《You Only Look Once: Unifified, Real-Time Object Detection》Joseph Redmon∗* , Santosh Divvala∗†, Ross Girshick*¶* , Ali Farhadi∗†University of Washington∗ , Allen Institute for AI*†* , Facebook AI ...
- 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 1.YOLOv4介绍 2.YOLOv4网络结构 2.1 Backbone改进 2.2 ... 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 《YOLOv4：Optimal Speed and Accuracy of Object Detection》 YOLOv4：目标检测的最佳速度和精度 1.YOLOv4介绍 2.YOLOv4网络结构 2.1 Backbone改进 2.2 ...
- 《从零开始实现一个月饼🥮检测器》 《从零开始实现一个月饼🥮检测器》 第一步：准备一些月饼图片 第二步：标注数据 第三步：划分数据集 第四步：训练模型 第五步：测试模型 第一步：准备一些月饼图片我这里让朋友帮忙爬取了600张，清洗筛选后最终得到了304张 第二步：标注数据由于Labelimg和Labelme安装起来比较麻烦，所以这次我选择使用make sense：https://www.... 《从零开始实现一个月饼🥮检测器》 《从零开始实现一个月饼🥮检测器》 第一步：准备一些月饼图片 第二步：标注数据 第三步：划分数据集 第四步：训练模型 第五步：测试模型 第一步：准备一些月饼图片我这里让朋友帮忙爬取了600张，清洗筛选后最终得到了304张 第二步：标注数据由于Labelimg和Labelme安装起来比较麻烦，所以这次我选择使用make sense：https://www....
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签