- 博客(75)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 工具推荐 ｜Devv.ai — 最懂程序员的新一代 AI 搜索引擎
伴随 GPT 的出现，我们可以看到越来越多的 AI 产品，其中也不乏针对程序员做的代码生成工具。今天介绍的这款产品是一款针对中文开发者的 AI 搜索引擎，Devv.ai目前 Devv.ai 已经替代了所有我使用 ChatGPT 的场景以及 80% 使用搜索引擎查询的问题，主要是下面几个优点。
2024-01-17 09:04:10
2056
6
原创 工业产品表面缺陷检测算法
介绍了经典的缺陷检测算法，包括 PaDiM、PatchCore 和 SimpleNet 等。其中，PaDiM 使用预训练模型提取嵌入向量，并且具有创新的高斯分布特征学习和独立于训练集大小的时间和空间复杂度；PatchCore 则通过创建内存银行和核心集来近似正常模式的补丁特征；SimpleNet 则是以全局信息为主的简单网络，用于检测大规模缺陷。
2024-01-16 13:31:58
1434
原创 解析Transformer模型
在 Transformer 模型中，Transformer 模型采用了自注意力机制，这是模型的主要组成部分之一。自注意力机制是模型的自我理解和记忆的能力，可以有效地捕捉到文本中的重要信息和关系，进一步提高了模型的性能。然而，虽然自注意力机制在很多方面都很强大，但它也有一些缺点。本文旨在探讨自注意力机制的一些缺点及其解决方案。
2024-01-15 14:33:03
1095
原创 自然语言处理应用程序设计
将自然语言处理课程设计中实现的模型集成到自然语言处理应用程序中，作为系统的功能模块。集成的模型包括分词、命名实体识别、文本分类、文本聚类等方面的内容。该综合程序使用PyQT5和Qt Designer进行界面开发。PyQT5是Python语言的Qt框架的Python绑定库，可以快速、方便地开发GUI应用程序。Qt Designer是Qt的可视化界面设计工具，可以帮助开发人员快速创建用户界面。
2023-07-25 17:01:57
1409
原创 【剑指offer】常用的数据增强的方法
数据增强方法可以提高模型的泛化能力，从而提高模型的准确率。在实际应用中，常常需要根据具体的任务和数据集，选择合适的数据增强方法。数据增强是指通过对原始数据进行一系列变换来生成更多的训练数据，从而提高模型的泛化能力。以上代码仅为示例，实际应用时需要根据具体的任务和数据集进行调整和修改。
2023-04-14 03:30:00
724
1
原创 【剑指offer】反向传播
深度学习中的反向传播是一种基于梯度下降法的优化方法，用于计算神经网络中每个参数的梯度值，以便利用梯度下降法或其他优化方法来更新参数，从而最小化损失函数。反向传播的基本思想是通过链式法则计算整个神经网络中每个参数对损失函数的贡献，以便利用梯度下降法来更新参数。具体来说，反向传播算法从输出层开始，将输出误差反向传播到隐藏层和输入层，计算每个神经元的误差和梯度，并使用梯度下降法来更新参数。反向传播算法的关键在于计算每个神经元的误差和梯度，这可以通过链式法则来实现。
2023-04-13 22:44:13
1649
原创 【论文精读】PP-YOLOE: An evolved version of YOLO
百度飞桨团队发布了 PP-YOLOE，与其他 YOLO 系列算法相比，其具有更强的性能、更丰富灵活的配置方案以及更全硬件支持三大优势。下面先浅列一下在文章摘要中提到的相关的性能提升：PP-YOLOE 的 s/m/l/x 全系列四个尺寸在精度及速度方面均超越其他同体量算法。
2023-04-13 00:32:02
764
原创 【剑指offer】1*1卷积的作用
我们知道，卷积后生成图片的尺寸受卷积核的大小和跨度影响，但如果卷积核是 1x1 ，跨度也是 1，那么生成后的图像大小就并没有变化。1x1卷积核只有一个参数，当它作用在多通道的feature map上时，相当于不同通道上的一个线性组合，实际上就是加起来再乘以一个系数，但是这样输出的feature map就是多个通道的整合信息了，能够使网络提取的特征更加丰富。比如：在尺寸 3x3，64通道个数的卷积核后面添加一个尺寸1x1，28通道个数的卷积核，就变成了尺寸3x3，28尺寸的卷积核。
2023-04-03 16:33:17
718
原创 【剑指offer】交叉熵损失函数
交叉熵损失函数是一种用于衡量模型预测输出与真实标签之间差异的损失函数。它通常用于分类问题中，其中模型输出的是一个概率分布，表示每个类别的可能性。交叉熵损失函数将真实标签的概率分布与模型预测的概率分布进行比较，计算它们之间的交叉熵。交叉熵越小，表示模型的预测结果越接近真实标签，因此优化交叉熵损失函数可以使模型更好地进行分类。
2023-04-02 14:10:21
773
原创 【剑指offer】梯度消失和梯度爆炸
当梯度消失发生时，接近于输出层的隐藏层由于其梯度相对正常，所以权值更新时也就相对正常，但是当越靠近输入层时，由于梯度消失现象，会导致靠近输入层的隐藏层权值更新缓慢或者更新停滞。假设每层学习梯度都小于最大值0.25，网络有n层，因为链式求导的原因，第一层的梯度小于0.25的n次方，所以学习速率就慢，对于最后一层只需对自身求导1次，梯度就大，学习速率就快。这会造成的影响是在一个很大的深度网络中，浅层基本不学习，权值变化小，后面几层一直在学习，结果就是，后面几层基本可以表示整个网络，失去了深度的意义。
2023-04-01 00:15:00
463
原创 【剑指offer】BN层详解
BN层可以加速神经网络的收敛速度。减小模型对初始参数的依赖性，提高模型的鲁棒性。可以防止梯度消失和梯度爆炸的问题，有助于提高模型的稳定性。可以减少模型过拟合的风险，提高模型的泛化能力。总之，BN层是一种常用的正则化方法，可以有效地提高神经网络的训练速度和泛化能力。
2023-03-31 17:55:54
2606
原创 【论文精读】Focal Inverse Distance Transform Maps for Crowd Localization
在本文中，我们关注人群定位任务，这是人群分析的一个重要课题。基于回归的方法大多使用卷积神经网络( CNN )对密度图进行回归，在极度稠密的场景中无法准确定位实例，主要原因有两个：1 ) 密度图由一系列模糊的高斯斑点组成；2 ) 密度图的稠密区域存在严重的重叠。为了解决这个问题，我们提出了一种新的用于人群定位任务的聚焦反距离变换(FIDT)地图（）。与密度图相比，FIDT图准确地描述了人员在密集区域的位置，没有重叠。基于FIDT映射，提出了一种局部最大检测策略(LMDS。
2022-12-16 22:15:27
1275
原创 操作系统程序作业
用C语言写一个大规模矩阵遍历的程序，在不同规模的数据上运行，比较按行遍历快还是按列遍历快，解释原因。下列程序是否会出现死循环？为什么？在你的PC上，调用f(60)所需要的时间大概是多少？写一个自启动程序，输出你的学号、姓名。要求代码有详细注释。
2022-10-31 23:30:00
430
原创 小型数据库系统开发作业
自学上层应用访问数据库的方式（如` ODBC、ADO、JDBC、MySQLi `或者其它），根据您使用的上层语言（不限语言（但要求与自己完成的文件管理数据实验开发语言一致）），不限数据库（除`ACCESS，SQLite` 以外），选择并学习使用一种合适的访问数据库的方式。基于文件管理数据实现，实现使用关系数据库管理课本中 P70-6 题中 SPJ 数据库。
2022-10-31 22:23:10
2001
原创 mysql+pyqt5开发小型数据库系统常见报错解决
如果两个表的相关列已经有数据了，如果但是数据不匹配的话，要把不匹配的数据删除后才能添加外键成功。即插入数据时，要插入数据的主键数据（XXX)已经存在，不能再重复添加了。添加的外键列与另一个表的唯一索引列（一般是主键）的数据类型不同。设置的外键与另一个表中的唯一索引列（一般是主键）中的值不匹配。插入字段XXX前面多了一个空格，去掉空格就可以正常运行了。在数据插入过程中需要注意插入的数据中是否含有特殊键。插入的表名和列名和数据库中的不对应，需要检查一下。
2022-10-31 21:58:25
357
原创 SQL 基础部分实验
包括 student, sc,以及 course 三张表，并操作向其插入数据、删除数据、修改数据，然后删除表。创建表时，要求定义其主码、外码约束，同时要求学生的年龄在 15 到 45岁之间。注：将自己的表保存到自己定义的数据库中。创建 SPJ、 S、P、J 四张表，最好放在一个 DB 中，便于备份数据文件。定义表3时需要定义相应的完整性约束（至少主码，有外码则定义外码，同时要求 S 表的 STATUS 只能取值为 10,20,30,40；J 表中的 Jname 取值唯一，SPJ 表中的 QTY 不为空。
2022-10-05 20:00:26
1259
原创 数据规范化与数据离散化
为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。
2022-10-02 17:05:48
3461
原创 AI小程序——文本绘图
在文字生成图像上，文心 ERNIE-ViLG 可以根据用户输入的文本，自动创作图像，生成的图像不仅符合文字描述，而且达到了非常逼真的效果。在图像到文本的生成上，文心 ERNIE-ViLG 能够理解画面，用简洁的语言描述画面的内容，还能够根据图片中的场景回答相关的问题。前不久，百度产业级知识增强大模型 “文心” 全景图亮相，近日，其中的跨模态生成模型 ERNIE-ViLG 在百度文心官网开放体验入口，并放出了论文：论文链接：https://arxiv.org/pdf/2112.15283.pdf。
2022-09-15 20:05:32
4116
3
原创 [论文阅读]用于车辆轨迹预测的卷积社交池Convolutional Social Pooling for Vehicle Trajectory Prediction
预测周围车辆的运动是部署在复杂交通中的自动驾驶汽车的一项关键能力。场景中所有车辆的运动受交通环境控制，即相邻车辆的运动和相对空间配置。在本文中，我们提出了一种LSTM 编码器-解码器模型，该模型使用卷积社交池（convolutional social pooling）作为对社交池层的改进，以稳健地学习车辆运动中的相互依赖性。此外，我们的模型基于机动类别，输出未来轨迹的多模态预测分布。我们使用公开可用的和I-80数据集评估我们的模型。我们的结果表明，在模型的预测分布下，预测误差的RMS值和真实未来轨迹的。..
2022-08-30 16:57:50
5273
3
原创 [论文阅读]使用深度学习方法预测蛋白质磷酸化位点DeepPhos: prediction of protein phosphorylation sites with deep learning（二）
文章提出了DeepPhos，这是一种用于预测蛋白质磷酸化的新型深度学习架构。与多层卷积神经网络不同，DeepPhos由密集连接的卷积神经元网络块组成，可以捕获序列的多种表示形式，通过块内串联层和块间串联层进行最终磷酸化预测。DeepPhos还可用于激酶特异性磷酸化位点预测，不受组，家族，亚科和个体激酶水平的影响，且性能较好。...
2022-08-26 09:49:45
1543
3
原创 [论文阅读]使用深度学习方法预测蛋白质磷酸化位点DeepPhos: prediction of protein phosphorylation sites with deep learning（一）
这项研究中，文章提出了一种新颖的多层CNN架构DeepPhos，以准确预测具有蛋白质序列信息的磷酸化位点。
2022-08-25 16:51:38
1405
1
原创 联邦学习综述（二）——联邦学习的分类、框架及未来研究方向
前两章对联邦学习的定义并没有讨论如何具体地设计一种联邦学习的实施方案。在实际中，孤岛数据具有不同分布特点，根据这些特点，我们可以提出相对应的联邦学习方案。
2022-07-24 14:18:34
8961
1
原创 联邦学习综述（一）——联邦学习的背景、定义及价值
联邦学习是指在进行机器学习的过程中,各参与方可借助其他方数据进行联合建模.各方无需共享数据资源,即数据不出本地的情况下,进行数据联合训练,建立共享的机器学习模型
2022-07-22 16:59:31
16358
原创 [论文阅读]DDC方法解决迁移学习中的小样本问题Deep Domain Confusion: Maximizing for Domain Invariance
DDC这篇论文，通过在源域与目标域之间添加了一层适应层及添加域混淆损失函数来让网络在学习如何分类的同时来减小源域及目标域之间的分布差异，从而实现域的自适应，成功的解决了小样本问题。...
2022-06-13 22:07:32
1486
1
原创 [论文阅读]用卷积神经网络提取的特征作为SVM分类器的输入CNN Features off-the-shelf: an Astounding Baseline for Recognition
使用原始CNN 不同层的特征作为最后SVM的输入使分类性能提升。
2022-06-13 21:17:37
1294
原创 [论文阅读]深度网络的可迁移性研究How transferable are features in deep neural networks?
深度网络的可迁移性的研究实验
2022-06-13 18:53:43
811
4
原创 动手学深度学习笔记（六）——多层感知机及实现
多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐层。
2022-03-15 12:07:46
2050
原创 动手学深度学习笔记（五）——softmax回归实现
我们发现通过深度学习框架的高级API能够使实现线性回归变得更加容易。 同样，通过深度学习框架的高级API也能更方便地实现softmax回归模型。
2022-02-10 16:50:58
2338
原创 动手学深度学习笔记（四） ——分类问题（softmax回归）
分类问题通常分为两类：硬分类和软分类；硬分类：只对样本的“硬性”类别感兴趣，即属于哪个类别；软分类：即得到属于每个类别的概率；这两者的界限往往很模糊，因为即使我们只关心硬类别，我们仍然使用软类别的模型。文章目录1.1.1 分类问题1.1.2 网络架构1.1.3 全连接层的参数开销1.1.4 softmax运算1.1.5 小批量样本的矢量化1.1.6 损失函数1.1.7 信息论基础1.1.8 模型预测和评估1.1.1 分类问题常见的分类问题：某个电子邮件是否属于垃圾邮件文件夹？某个
2022-02-10 16:03:22
1377
原创 动手学深度学习 ——概率论基础
文章目录基本概率论概率论公理随机变量联合概率条件概率贝叶斯定理边际化独立性期望和方差基本概率论假设我们掷骰子，想知道看到1的几率有多大，而不是看到另一个数字。 如果骰子是公平的，那么所有六个结果 {1,…,6} 都有相同的可能发生， 因此我们可以说 1 发生的概率为 1/6 。然而现实生活中，对于我们从工厂收到的真实骰子，我们需要检查它是否有瑕疵。 检查骰子的唯一方法是多次投掷并记录结果。 对于每个骰子，我们将观察到 {1,…,6} 中的一个值。 对于每个值，一种自然的方法是将它出现的次数除以投掷的总
2022-02-05 21:04:49
1479
1
原创 pyqt5——TabWidget之TabBar大小修改
如图所示，图中的顶部栏的大小非常不美观，修改图中TabWidget的tabBar大小，其实就是对图中“正常”和“异常”这两个顶部栏的大小进行调整右键选择图中的选项在其中加入如下代码：QTabBar::tab{width:150}QTabBar::tab{height:25}结果就变成了这样：...
2022-01-22 23:22:29
5429
6
原创 DLL load failed while importing QtWebEngineWidgets: 找不到指定的模块。
报错：DLL load failed while importing QtWebEngineWidgets: 找不到指定的模块。解决方法：卸载pyqt5注意：有些外部环境可能无法卸载pyqt5，找不到要卸载的文件等等，使用pycharm也没办法卸载，需要找到C盘中的原始文件，把pyqt5相关的文件全部删除。重新安装pyqt5和 QtWebEngine问题解决...
2022-01-22 12:56:42
5145
原创 pyqt5报错——ERROR: pip‘s dependency resolver does not currently take into account all the packages that
报错：ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.pyqtwebengine 5.15.4 requires PyQt5>=5.15.4, but you have pyqt5 5.15.2 whi
2022-01-18 18:29:38
4614
2
原创 pyqt5安装报错——ERROR: Could not install packages due to an OSError: [WinError 5] 拒绝访问。
报错截图：解决：在pip install 后面加上 --user + 需要安装的包名例如：pip install --user pyqt5
2022-01-18 18:18:28
1148
1
原创 torch.normal()
torch.normal(means, std, out=None)返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。
2022-01-18 17:22:48
1003
原创 动手学深度学习笔记（二）——线性神经网络
在学习深度神经网络之前，需要了解神经网络训练的基础知识。 包括：定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。 为了更容易学习，从经典算法————线性神经网络开始，了解神经网络的基础知识。
2022-01-17 22:55:40
1851
everything.zip【最强文件搜索神器】
2021-10-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人