【深度学习】机器学习基础 2024-06-27 机器学习, 深度学习, 人工智能 108人 已看 机器学习就是让机器具备找一个函数的能力带有未知的参数的函数称为模型通常一个模型的修改，往往来自于对这个问题的理解，即。
[数据集][目标检测]猪只状态吃喝睡站检测数据集VOC+YOLO格式530张4类别 2024-06-29 yolo, 机器学习, 目标检测, 深度学习, 人工智能 108人 已看 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)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["drink","eat","sleep","stand up"]图片数量(jpg文件个数)：530。标注数量(xml文件个数)：530。标注数量(txt文件个数)：530。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
YOLO深度学习基准模型概念与应用 2024-06-29 yolo, 计算机视觉, 深度学习, 人工智能, 目标跟踪 106人 已看 YOLO（You Only Look Once）是一种先进的深度学习目标检测模型，由Joseph Redmon等人在2016年首次提出，它彻底改变了目标检测领域的游戏规则，因其独特的一阶段检测方法和实时处理能力而广受关注。
基于深度学习的毛发检测 2024-07-02 深度学习, 人工智能 88人 已看 基于深度学习的毛发检测是一项计算机视觉任务，旨在从图像或视频中检测和分割毛发区域。这项技术在医学图像分析、美容行业、虚拟试衣和增强现实等领域有着广泛的应用。
LLM大模型工程师面试经验宝典--进阶版2（2024.7月最新） 2024-07-02 python, 机器学习, 深度学习, 人工智能, 开发语言 110人 已看 监督学习中主动学习的两个基本原则是寻找多样性的数据，模型不确定性的数据，在寻找 的过程中，我们使用了一些小技巧，比如聚类去重，对抗半监督过滤，自建reward二分类等方 法。这几个小技巧，学术上没有什么高深莫测的东西，都是实践中总结出来的好用的方法。
SCI一区级 | Matlab实现BO-Transformer-LSTM多变量时间序列预测 2024-06-23 matlab, lstm, 机器学习, 深度学习, 人工智能 113人 已看 SCI一区级 | Matlab实现BO-Transformer-LSTM多变量时间序列预测
第六章：必要的 Pytorch 知识 2024-06-29 python, 机器学习, 深度学习, pytorch, 人工智能 93人 已看 在上一章中，我们介绍了Model类和Tokenizers类，尤其是如何运用分词器对文本进行预处理。Transformers 库建立在 Pytorch 框架之上（Tensorflow 的版本功能并不完善），虽然官方宣称使用 Transformers 库并不需要掌握 Pytorch 知识，但是实际上我们还是需要通过 Pytorch 的DataLoader类来加载数据、使用 Pytorch 的优化器对模型参数进行调整等等。
使用Hugging Face获取BERT预训练模型 2024-06-25 深度学习, 人工智能, 自然语言处理, bert 79人 已看 BERT是一个预训练模型，其基本架构和存档都有相应的服务公司提供下载服务，而Hugging Face是一家目前专门免费提供自然语言处理预训练模型的公司。Hugging Face是一家总部位于纽约的聊天机器人初创服务商，开发的应用在青少年中颇受欢迎，相比于其他公司，Hugging Face更加注重产品带来的情感以及环境因素。在GitHub上开源的自然语言处理、预训练模型库Transformers提供了NLP领域大量优秀的预训练语言模型和调用框架。（1） 安装依赖。
【深度学习】基于因果表示学习的CITRIS模型原理和实验 2024-06-26 深度学习, 人工智能 93人 已看 我们深入探讨了CITRIS，这是一种能从干预图像序列中识别因果变量的先进方法。我们阐述了因果表示学习的概念与其重要性，并详细解析了CITRIS的工作原理。实验表明，CITRIS能准确分解3D渲染对象的因果因素，并在图像空间中实施干预。展望未来，因果性在弥补统计机器学习不足方面具有巨大潜力，我们坚信其在机器学习发展中将发挥越来越重要的作用。
Meet AI4S 直播预告丨房价分析新思路：神经网络直击复杂地理环境中的空间异质性 2024-06-28 机器学习, 深度学习, 人工智能, 神经网络 84人 已看 为刻画地理要素间回归关系在不同空间位置体现出的空间非平稳性，地理加权回归 (GWR) 等空间回归模型根据地理学第一定律，将空间上更邻近的样本赋予更高的权重来建立局部的回归关系。近年来，我国各城市之间的房价差异化愈发凸显，甚至是在同一个城市的同一管辖区内，不同区域的房价也会因社区环境、学区、配套商业等因素的不同而千差万别，我们通过一个简单的神经网络模型，在保留回归结果的空间可解释性的同时，优化了空间邻近性的表达，从而获得了更高的建模精度。捕捉房价的空间特异性对于其变化趋势的预测至关重要。
双向长短期记忆神经网络BiLSTM 2024-06-25 lstm, rnn, 深度学习, 人工智能, 神经网络 81人 已看 网络，一个按照正向顺序处理输入序列，另一个按照反向顺序处理输入序列。遗忘门（forgetgate）：决定上一个时间步的细胞状态对当前时间步的影响程度。输入门（input gate）：决定当前时间步的输入信息对细胞状态的影响程度。隐藏状态（hiddenstate）：当前时间步的输出，也是下一个时间步的输入。输出门（output gate）：决定细胞状态对当前时间步的输出影响程度。输入门用来控制当前输入数据对记忆单元状态值的影响。LSTM 是一种特殊的 RNN，它通过引入。输出门用来控制记忆单元状态值的输出。
[机器学习]-3 万字话清从传统神经网络到深度学习 2024-06-27 机器学习, 深度学习, 人工智能, 神经网络 77人 已看 神经网络（Neural Networks, NNs）是机器学习的一种重要方法，灵感来源于生物神经系统，由大量互联的节点（称为神经元或单元）组成，通过调整这些节点间的连接权重来学习和表示复杂的非线性关系。传统神经网络包括感知机、Sigmoid神经元，以及更复杂的多层感知器。深度学习是基于深层次的神经网络，通过多层非线性变换从数据中学习特征和模式，通常由输入层、隐藏层和输出层组成，每一层由若干神经元构成，层与层之间通过权重连接；主流的深度学习有卷积神经网络、循环神经网络、生成对抗网络、Transformer等。
深度神经网络：解锁智能的密钥 2024-06-24 机器学习, dnn, 深度学习, 人工智能, 神经网络 74人 已看 在反向传播过程中，根据输出结果与真实标签之间的误差，计算各层神经元的梯度，并据此更新网络参数。它以其强大的学习能力、高度的适应性和广泛的应用场景，成为了我们解锁智能世界的一把密钥。与传统的神经网络相比，深度神经网络通过增加隐藏层的数量，能够学习更加复杂的数据表示和特征，从而实现更高的识别准确率和更强的泛化能力。而反向传播则是根据输出结果与真实标签之间的误差，通过梯度下降等优化算法调整网络参数，使得网络的输出更加接近真实标签。随着技术的不断发展和应用场景的不断拓展，深度神经网络将会在未来发挥更加重要的作用。
yolov10打包为exe 2024-06-20 yolo, python, 计算机视觉, 深度学习, pytorch 87人 已看 pyinstaller打包指令不要用 -F ，-F是打包为一整个exe，容易出现问题，使用以下指令。首先下载官方代码至本机，并使用conda创建虚拟环境，并安装好yolov10所需库。下载官方模型权重 yolov10m.pt ，并在根目录下创建推理代码。打包将在dist文件夹下生成exe,以及相应独立包文件，运行exe。本节实验将官方yolov10推理程序打包为exe运行。（3）安装pyinstall ，并执行打包指令。打包过程，可能会被防火墙拦截，报病毒错误。接下来将该代码打包为exe,
基于深度学习的图像去雾 2024-06-20 深度学习, 人工智能 83人 已看 基于深度学习的图像去雾技术利用了卷积神经网络、生成对抗网络、多尺度卷积神经网络和循环神经网络等模型，实现了从有雾图像到清晰图像的端到端转换。相比传统方法，深度学习方法在处理复杂场景和不同雾霾条件下表现出更强的鲁棒性和适应性。随着深度学习技术的发展，图像去雾的性能将进一步提升，其应用范围也将继续扩展，为多个领域带来显著的技术进步。
