个人技术分享

图像生成是计算机视觉和计算机图形学领域的一个重要研究方向，它指的是通过计算机算法和技术生成或合成图像的过程。随着深度学习、生成模型等技术的发展，图像生成领域取得了显著的进步，并在多个应用场景中发挥着重要作用。

记录keras库中导入函数找不到的问题

print(f'{path} size = {img.size}, 该图像预测类别为:', classes[pred])1 类别不均衡，有得种类图片2百多，有个只有10个不到；1 如何进行图片增强，图片增强应该注意什么（方向问题）；2 像素大小不同，导致有的图片很清晰，有的很模糊；2 模型大小如何进行选择；

BPE，字节对编码。

BIFPN（双向特征金字塔网络）通过双向特征融合和加权特征融合的创新设计，显著提升了特征金字塔网络（FPN）的性能。其核心思想是将信息在特征金字塔中双向传递，即从高层特征图向低层特征图传递，同时也从低层特征图向高层特征图传递，确保特征信息的充分融合。同时，BIFPN引入了可学习的加权机制，通过在训练过程中自动调整权重，优化不同尺度特征图的融合效果。这种设计不仅提高了特征表示的能力，还保持了计算的高效性，使其在目标检测和图像分割等计算机视觉任务中表现出色，能够更好地应对多尺度问题和不同任务需求。

本文相熟了卷积神经网络CNN的原理，并介绍了如何使用PyTorch框架搭建卷积神经网络模型CNN。实现了LeNet-5的模型的搭建、模型训练、测试、网络的复用、直观查看数据集的图片预测结果等，完成了机器学习领域的Hello world——手写数字识别。

自适应阈值法图像分割通过计算图像的局部统计信息来确定每个像素的阈值，从而能够在不同的光照条件下自动调整阈值，提高图像分割的准确性和鲁棒性。大津阈值法（OTSU方法）是自适应阈值法的一种常见实现方式，它基于最大类间方差原理来确定最佳阈值。

迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发 的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过 从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算 法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学 习社区持续关注的话题。迁移学习对人类来说很常见，例如，我们可能会发现 学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。

因此，我们将使用来自 Huggingface 的数据集，名为“Helsinki-NLP/opus-100”，它有 100 万对英语-马来语训练数据集，足以获得良好的准确性，并且在验证和测试数据集中各有 2000 个数据。：Feedfoward Network使用深度神经网络来学习两个线性层（第一层有d_model个节点，第二层有d_ff节点，根据注意论文分配的值）的所有特征，并将 ReLU 激活函数应用于第一线性层的输出，为嵌入值提供非线性，并应用 dropout 以进一步避免过拟合。

在当前的数据驱动时代，测未来的趋势、需求、资源分配等成为了许多行业关键决策的基石。长短期记忆网络（Long Short-Term Memory, LSTM）作为一种特殊的循环神经网络（RNN），因其在处理时间序列数据上的卓越性能而受到广泛关注。LSTM能够学习长期依赖信息，解决了传统RNN在长序列学习过程中的梯度消失问题。

【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-05Softmax回归基础版。

【代码】【深度学习】stable-diffusion-webui AUTOMATIC1111 的参数解释翻译。

如果nvidia-smi命令无效，则说明可能已经安装了cuda。

​● 拓扑序列：https://blog.csdn.net/hnjzsyjyj/article/details/129811447● 链式前向星：https://blog.csdn.net/hnjzsyjyj/article/details/139369904val[idx]：存储编号为 idx 的边的值e[idx]：存储编号为 idx 的结点的值ne[idx]：存储编号为 idx 的结点指向的结点的编号h[a]：存储头结点 a 指向的结点的编号

MindSpore Data（数据处理层）ModelZoo（模型库）MindSpore Science（科学计算），包含了业界领先的数据集、基础模型、预置高精度模型和前后处理工具MindSpore Insight（可视化调试调优工具），能够可视化地查看训练过程、优化模型性能、调试精度问题、解释推理结果。

NLP 是一个跨学科领域，它结合了语言学和计算机科学等领域已建立的技术。这些技术与人工智能结合使用来创建聊天机器人和数字助理，例如 Google Assistant 和亚马逊的 Alexa。让我们花一些时间来探讨自然语言处理背后的基本原理、NLP 中使用的一些技术以及 NLP 的一些常见用例。

高创新 | CEEMDAN-VMD-BiLSTM-Attention双重分解+双向长短期记忆神经网络+注意力机制多元时间序列预测

本节均以二分类问题为例进行展开，统一定义类别标签y∈1−1，则分类正确时yfx;w0，且值越大越正确；错误时yfx;w0，且值越小越错误。不同损失函数间的损失随yfx;w。

本文测试了bert_base模型在不同并行方式下的推理性能。

标注类别名称:[“carina”,“clavicle_left”,“clavicle_right”,“gastric_bubble”,“heart”,“humeral_head_left”,“humeral_head_right”,“lung_left”,“lung_right”,“trachea”]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(txt文件个数)：100。