深度学习（十四）——优化器
反向传播可以求出神经网路中每个需要调节参数的梯度，优化器可以根据梯度进行调整，达到降低整体误差的作用。本节我们对优化器进行介绍。 ... »
创建Anaconda虚拟Python环境的方法
本文介绍在Anaconda环境下，创建、使用与删除Python虚拟环境的方法。 在Python的使用过程中，我们常常由于不同Python版本以及不同第三方库版本的支持情况与相互之间的冲突情况，而需要创建不同的Python虚拟环境；在Anaconda的帮助下，这一步骤就变得十分方便。 首先，我们需要打 ... »
机器学习之分类
分类任务和回归任务的不同之处在于，分类任务需要做出离散的预测。对于多分类任务的神经网络模型，其输出目标通常会用**one-hot**编码来表示，在输出层中使用**softmax**函数，同时使用分类交叉熵损失函数进行训练。在本博客中，我们将使用**TensorFlow**的底层API实现一个基于全连 ... »
Paddle图神经网络训练-PGLBox代码阅读笔记
| 图存储部分 | | | | | | | | paddle/fluid/framework/fleet/heter_ps | graph_gpu_wrapper.h | GPU图主入口 | | | graph_gpu_ps_table.h | GPU图的主要存储结构，neighbor采样等都在这里 ... »
前馈神经网络解密：深入理解人工智能的基石
> 本文深入探讨了前馈神经网络（FNN）的核心原理、结构、训练方法和先进变体。通过Python和PyTorch的实战演示，揭示了FNN的多样化应用。 > 作者TechLead，拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦机器人智能实验室成员，阿里云认证的资深架构师， ... »
torch.nn基础学习教程 | PyTorch nn Basic Tutorial
> 基于`torch.nn`搭建神经网络的基础教程大纲： ## **1. 引言** 在我们开始深入探讨`torch.nn`之前，我们首先需要理解PyTorch及其神经网络库的基础知识。这一部分的内容将帮助你对PyTorch有一个整体的了解。 ### 1.1 **为什么选择PyTorch？** - * ... »
循环神经网络RNN完全解析：从基础理论到PyTorch实战
>在本文中，我们深入探讨了循环神经网络（RNN）及其高级变体，包括长短时记忆网络（LSTM）、门控循环单元（GRU）和双向循环神经网络（Bi-RNN）。文章详细介绍了RNN的基本概念、工作原理和应用场景，同时提供了使用PyTorch构建、训练和评估RNN模型的完整代码指南。 > 作者 TechLea ... »
基于随机化三期临床试验数据和多模态深度学习的前列腺癌治疗方案个性化
回复我们公众号“1号程序员”的“E005”可以获取原文下载地址。[关注并回复：【E005】] 摘要 前列腺癌是男性最常见的癌症，也是导致癌症死亡的主要原因。确定患者最佳治疗方案是一项挑战，肿瘤学家必须选择最有可能成功且最不可能出现毒性的治疗方案。国际预后标准依赖于非特异性和半定量工具，通常导致过度治 ... »
深度学习（十三）——损失函数与反向传播
# 一、损失函数：Loss Function > 官网文档：[torch.nn — PyTorch 2.0 documentation](https://pytorch.org/docs/stable/nn.html#loss-functions) ## 1. Loss Function的作用 - ... »
深度学习（十二）——神经网络：搭建小实战和Sequential的使用
# 一、torch.nn.Sequential代码栗子 > 官方文档：[Sequential — PyTorch 2.0 documentation](https://pytorch.org/docs/stable/generated/torch.nn.Sequential.html#sequent ... »
深度学习（十一）——神经网络：线形层及其他层介绍
主要介绍神经网络线性层的计算，即torch.nn.Linear的原理及应用。并插入一些神经网络的其他层介绍，及调用pytorch中网络模型的方法。 ... »
GAN！生成对抗网络GAN全维度介绍与实战
> 本文为生成对抗网络GAN的研究者和实践者提供全面、深入和实用的指导。通过本文的理论解释和实际操作指南，读者能够掌握GAN的核心概念，理解其工作原理，学会设计和训练自己的GAN模型，并能够对结果进行有效的分析和评估。 > 作者 TechLead，拥有10+年互联网服务架构、AI产品研发经验、团队管 ... »
头疼！卷积神经网络是什么？CNN结构、训练与优化一文全解
> 本文全面探讨了卷积神经网络CNN，深入分析了背景和重要性、定义与层次介绍、训练与优化，详细分析了其卷积层、激活函数、池化层、归一化层，最后列出其训练与优化的多项关键技术：训练集准备与增强、损失函数、优化器、学习率调整、正则化技巧与模型评估调优。旨在为人工智能学者使用卷积神经网络CNN提供全面的指 ... »
基于开源模型的实时人脸识别系统
[toc] # 背景 人脸识别已经发展了很多年，随着深度学习发展，开源的模型也有很不错的效果了。我们可以在不需要深入各种算法细节的情况下，就能搭建自己的人脸识别系统了，除了用于学习，还可以将我们自己家的摄像头接入到我们自己搭的系统，真正用起来。这个专栏就基于这样一个设想，从开源的模型中寻找适合的算法 ... »
计算机视觉五大核心研究任务全解：分类识别、检测分割、人体分析、三维视觉、视频分析
> 本篇文章深入探讨了计算视觉的定义和主要任务。内容涵盖了图像分类与识别、物体检测与分割、人体分析、三维计算机视觉、视频理解与分析等技术，最后展示了无监督学习与自监督学习在计算机视觉中的应用。 > 作者 TechLead，拥有10+年互联网服务架构、AI产品研发经验、团队管理经验，同济本复旦硕，复旦 ... »
❤️ GitHub Copilot 读心术揭秘，Copilot 逆向工程笔记
# 总览 你是否好奇 GitHub Copilot 如何知道你想写的内容？有时候它聪明得甚至好像读过你项目里其他文件一样，不要怀疑，它确实读过。这篇文章记录了我阅读一个对 Copilot 的[逆向工程](https://thakkarparth007.github.io/copilot-explor ... »
解码Transformer：自注意力机制与编解码器机制详述与代码实现
> 本文全面探讨了Transformer及其衍生模型，深入分析了自注意力机制、编码器和解码器结构，并列举了其编码实现加深理解，最后列出基于Transformer的各类模型如BERT、GPT等。文章旨在深入解释Transformer的工作原理，并展示其在人工智能领域的广泛影响。 > 作者 TechLe ... »
深度学习（十）——神经网络：非线性激活
# 一、Padding Layers简介 - **nn.ZeroPad2d**：在输入的tensor数据类型周围**用0进行填充** - **nn.ConstantPad2d**：在输入的tensor数据类型周围**用常数进行填充** 这个函数的主要作用是对输入的图像进行填充，但里面所有功能都能用n ... »
OpenCV实战：从图像处理到深度学习的全面指南
> 本文深入浅出地探讨了OpenCV库在图像处理和深度学习中的应用。从基本概念和操作，到复杂的图像变换和深度学习模型的使用，文章以详尽的代码和解释，带领大家步入OpenCV的实战世界。 # 1. OpenCV简介 ## 什么是OpenCV？ ![file](https://img2023.cnblo ... »
深度学习（九）——神经网络：最大池化的作用
# 一、 torch.nn中Pool layers的介绍 > 官网链接： > > https://pytorch.org/docs/stable/nn.html#pooling-layers ## 1. nn.MaxPool2d介绍 nn.MaxPool2d是在进行图像处理时，Pool layers ... »