个人技术分享

语音深度鉴伪识别项目实战：基于深度学习的语音深度鉴伪识别算法模型(一)音频数据编码与预处理

深度学习技术在当今技术市场上面尚有余力和开发空间的，主流落地领域主要有：视觉，听觉，AIGC这三大板块。目前视觉板块的框架和主流技术在我上一篇基于Yolov7-LPRNet的动态车牌目标识别算法模型已有较为详细的解说。与AIGC相关联的，其实语音模块在近来市场上面活跃空间很大。从智能手机的语音助手到智能家居中的语音控制系统，再到银行和电信行业的语音身份验证，语音技术的应用日益广泛。

[深度学习]基于yolov8+bytetrack+pyqt5实现车辆进出流量统计+车辆实时测速实现

以前使用过yolov5+deepsort实现过车辆进出流量统计+车辆实时测速，可以看我往期视频，这回改成yolov8+bytetrack实现，实时性更好，原理和原来一样。基于yolov8+pyqt5实现车辆进出流量统计+车辆实时测速_哔哩哔哩_bilibili。车速=单位像素车速x像素偏移/((当前帧索引-车辆进入帧索引)x(1/FPS))车速=单位像素车速x像素偏移/(车辆当前位置时间-车辆进入时间)时间为电脑本地时间或者在线北京时间。

Transformer系列专题（一）——self-attention自注意力机制如何计算

自注意力机制的原理相当于一个词在其上下文中的联系，即将这一个词赋予这一句话中将每个词乘以不同的权重，即是这一个词对上下文的关系程度。将本句话中的a对上下文的关系程度即为，将上下的词分别乘以不同的权重赋予到a词中，这就是a对上下问的关系程度。接下来详细介绍自注意力机制如何计算？

IEEE Transactions on Neural Networks and Learning Systems神经网络和学习系统TNNLS论文投稿须知

IEEE Transactions on Neural Networks and Learning Systems作为控制领域的TOP期刊，2024年5月影响因子为10.4，虽然有些下降，之前五年平均影响因子为11.2，但依然是该领域王牌期刊，接收关于神经网络和相关学习系统的理论、设计和应用的文章。TNNLS期刊隶属于。

基于transformers框架实践Bert系列6-完形填空

本系列用于Bert模型实践实际场景，分别包括分类器、命名实体识别、选择题、文本摘要等等。（关于Bert的结构和详细这里就不做讲解，但了解Bert的基本结构是做实践的基础，因此看本系列之前，最好了解一下transformers和Bert等）本篇主要讲解应用场景。本系列代码和数据集都上传到GitHub上：https://github.com/forever1986/bert_task。

用于图像和用于自然语言的神经网络区别

数据结构：图像数据是二维像素矩阵，具有空间结构；文本数据是一维序列，具有时间结构。网络架构：图像处理常用CNN，注重局部特征提取；自然语言处理常用RNN/LSTM/Transformer，注重序列和全局依赖。操作单元：图像处理中的卷积核在空间上操作；自然语言处理中的注意力机制在序列上操作。