q7672345的博客

【代码】图卷积GCN点分类实战。

Docker部署深度学习torch工程

​ 文章提出一种基于Transformer架构的目标检测框架，并表现出了和Faster RCNN相当的性能。利用Encoder-Decoder结构简化了检测流程，并在此基础上提出一种集合的全局损失，通过二部匹配实现唯一预测。它的流程为：给定Quary学习对象集，DETR推理学习对象与全局的上下文关系，并行输出最终预测集。二分图匹配（bipartite matching）:图的顶点可以分为两个集合，每条边应对的顶点分别属于这两个集合，G=[V,E]，结点集合V可以分割为互不相交的子集（V1,V2）。

ATSS论文解读与代码复现理解

点：特征(人、实物…)边：联系/关系(特征)图：全局特征图神经网络的目标：整合特征、重构点边和图。首先就需要进行embedding输出结果：点分类回归、边分类回归、图的分类回归。

U-Net 架构在非常不同的生物医学分割应用中取得了良好的性能。由于数据增强算法的使用，使得很少数据的图像就可以实现较好的分割效果。

Mask RCNN论文笔记自用分享

编写的自用mAP绘图代码 可供大家参考,禁止转载

继续学习NLP之文本数据集构建

GoogleNet论文阅读笔记

文本数据集构建之语料库实战

学习打卡：序列模型构建实战

图像风格转换深度学习实战训练-参考李沐动手学深度学习的思路，自己实现的

自己复现的Resnet ,写之前参考了李沐大神的《动手学深度学习》

机器学习练习记录bagging&RandomForest。

机器学习第九章聚类Kmeans练习（西瓜数据集4.0）

机器学习-决策树实战练习做的代码，实现wine的决策树分类

线性回归实战练习-房价预测

自用代码记录分享：利用OpenCV将图像分为n份，以适应数据集的扩展和打标签。

自己从train_log.txt的记录文件中将loss值全部记录下来，并利用plt绘制，效果如下。