CNN-DL卷积深度学习模型

DeepLabv3+改进23:在主干网络中添加DilatedReparamBlock

本专栏重磅推出：✅独家改进策略：融合注意力机制、轻量化设计与多尺度优化✅即插即用模块：ASPP+升级、解码器PS:订阅专栏提供完整代码论文简介近年来，大核卷积神经网络(ConvNets)得到了广泛的研究关注

AICurator·2025-03-26 22:29

Unsloth 库和Hugging Face Transformers 库对比使用

在深度学习模型的微调过程中，保存模型及其权重是关键步骤。不同的库或框架提供了各自的方法来完成这一任务。Unsloth库：Unsloth是一个专注于加速大语言模型（LLM）微调的开源工具。

背太阳的牧羊人·2025-03-26 21:17

深度学习学习经验——生成对抗网络（GAN）

（GenerativeAdversarialNetwork）生成对抗网络（GenerativeAdversarialNetwork，简称GAN）是由IanGoodfellow等人在2014年提出的一种深度学习模型

Linductor·2025-03-26 19:37

Pytorch实现之对称卷积神经网络结构实现超分辨率

该改进方法基于深度神经网络，其生成模型包含多层卷积模块和多层反卷积模块，其中在感知损失基础上增加了跳层连接和损失函数。该判别模型由多层神经网络组成，其损失函数基于生成式对抗网络生成的判别模型损失函数。

这张生成的图像能检测吗·2025-03-26 17:51

VGG 改进：添加ScConv空间与通道特征重构卷积

目录1.ScConv空间与通道特征重构卷积2.VGG+ScConv模块3.完整代码Tips：融入模块后的网络经过测试，可以直接使用，设置好输入和输出的图片维度即可1.ScConv空间与通道特征重构卷积ScConv

听风吹等浪起·2025-03-26 14:23

使用卷积神经网络对图像处理

transforms.Grayscale()是用于图片处理时简化通道数与特征。transforms.Normalize(mean=[0.61427461],std=[0.24995622])这一步的作用对图像数据进行归一化处理。归一化通常将图像的像素值从原始范围（通常是[0,255]）转换到一个标准化的范围（通常是[-1,1]或[0,1]），同时根据给定的均值(mean)和标准差(std)进行标准

RockLiu@805·2025-03-26 06:53

MATLAB 2024b深度学习工具箱新特性全面解析与DeepSeek大模型集成开发：卷积神经网络、迁移学习算法、时间卷积网络、生成式对抗网络、自编码器、目标检测YOLO模型、语义分割、注意力机制等

随着人工智能技术的飞速发展，其与多学科的交叉融合以及在工程实践领域的纵深拓展已成为时代潮流。在这一背景下，MATLAB2024b深度学习工具箱应运而生，凭借架构创新与功能强化，为科研工作者提供了一套全栈式的科研创新与行业应用解决方案，具有重要的时代意义。本教程紧密围绕该版本工具链的三大革新方向展开，致力于助力科研工作者在深度学习领域取得突破性进展。首先，构建了覆盖经典模型与前沿架构的体系化教程，从

WangYan2022·2025-03-26 03:06

Ray 源码分析(16)—Ray Serve

Serve与框架无关，因此你可以使用一个单一的工具包来服务从使用PyTorch、TensorFlow和Keras等框架构建的深度学习模型，到Scikit-Learn模型，再到任意Python业务逻辑的所有内容

Jim.Li·2025-03-26 01:15

6 卷积神经网络实现MNIST手写数字识别

代码实现了基本的CNN共两层神经网络，包括两层卷积层两层池化层使用的数据集为单通道28*28像素的MNIST数据集，共10个标签训练集可直接在代码里下载代码模块如下：importtorchfromtorchimportnnfromtorch.utils.dataimportDataLoaderfromtorchvisionimportdatasets

机械专业搞视觉的小白·2025-03-25 21:18

基于Python卷积神经网络的Mnist手写数字识别

使用卷积神经网络（ConvolutionalNeuralNetwork，简称CNN）来解决手写数字识别问题，不

2301_79809972·2025-03-25 20:12

YOLOv8 改进：添加 AKConv（任意采样形状和任意数目参数的卷积）

YOLOv8改进：添加AKConv（任意采样形状和任意数目参数的卷积）引言在目标检测领域中，YOLO（YouOnlyLookOnce）系列因其速度和效率而受到广泛关注。

鱼弦·2025-03-24 12:34

神经网络中层与层之间的关联

数据流动与参数传递1.1数据流动（ForwardPropagation）1.2参数传递（BackwardPropagation）2.常见层与层之间的关联模式2.1典型全连接网络（如手写数字分类）2.2卷积神经网络

iisugar·2025-03-24 06:40

机器学习——分类、回归、聚类、LASSO回归、Ridge回归（自用）

纠正自己的误区：机器学习是一个大范围，并不是一个小的方向，比如：线性回归预测、卷积神经网络和强化学都是机器学习算法在不同场景的应用。

代码的建筑师·2025-03-24 02:02

【论文阅读】实时全能分割模型

RMP-SAM结合了动态卷积与高效的模型

万里守约·2025-03-23 22:04

卷积神经网络 - 理解卷积核的尺寸 k×k×Cin

卷积神经网络中，每个卷积核的尺寸为k×k×Cin，这一设计的核心原因在于多通道输入的数据结构和跨通道特征整合的需求。

谦亨有终·2025-03-23 22:26

景联文科技提供高质量文本标注服务，驱动AI技术发展

文本标注是自然语言处理（NLP）领域的一个重要环节，它通过为文本的不同部分提供具体的含义和上下文信息，增强机器学习和深度学习模型对文本内容的理解能力。

景联文科技·2025-03-23 10:52

关于forward函数

它将输入数据通过模型的各层（如卷积层、全连接层等），计算出模型的输出。作用负责模型的主要计算逻辑。在训练和验证过程中都会被调用。

oioz·2025-03-23 04:52

卷积神经网络Batch Normalization的作用

BatchNormalization的作用（通俗版）1.像“稳定器”一样校准每层输入想象你在烤多层蛋糕，每层蛋糕的烘烤温度不同（相当于神经网络的每一层数据分布不同）。没有BN时，烤箱温度忽高忽低，导致有的层烤焦（梯度爆炸），有的层不熟（梯度消失）。BN的作用相当于给每一层装了一个自动温度调节器，实时将输入数据调整到标准温度（均值为0，方差为1），保证每层都能均匀受热，训练更稳定。2.让模型训练“少

arron8899·2025-03-23 03:11

深入解析深度学习中的过拟合与欠拟合诊断、解决与工程实践

一、引言：模型泛化能力的核心挑战在深度学习模型开发中，欠拟合与过拟合是影响泛化能力的两个核心矛盾。据GoogleBrain研究统计，工业级深度学习项目中有63%的失败案例与这两个问题直接相关。

古月居GYH·2025-03-22 22:43

CBNetV2: A Composite Backbone Network Architecture for Object Detection论文阅读

ACompositeBackboneNetworkArchitectureforObjectDetection论文阅读介绍方法CBNetV2融合方式对Assistant的监督实验与SOTA的比较在主流backbone架构上的通用性与更宽更深的网络比较与可变形卷积的兼容在主流检测器上的模型适用性在

Laughing-q·2025-03-22 22:38

大模型推理框架：从理论到实践的全面解析

然而，深度学习模型的训练和推理过程往往涉及大量数据和复杂计算，传统的计算框架难以满足需求。因此，大模型推理框架应运而生，成为解决这一问题的关键。

百度_开发者中心·2025-03-22 19:23

Pytorch使用手册-DCGAN 指南（专题十四）

1.Introduction本教程将通过一个示例介绍DCGANs（深度卷积生成对抗网络）。我们将训练一个生成对抗网络（GAN），在给它展示大量真实名人照片后，它能够生成新的“名人”图片。

AI专题精讲·2025-03-22 08:43

深度学习模型性能全景评估与优化指南

深度学习模型性能全景评估与优化指南一、算力性能指标体系1.核心算力指标对比指标计算方式适用场景硬件限制TOPS(TeraOperationsPerSecond)每秒万亿次整数运算量化模型推理NVIDIAJetsonNano

niuTaylor·2025-03-22 02:49

强化学习中的深度卷积神经网络设计与应用实例

深度学习，特别是深度卷积神经网络（DeepConvolutionalNeuralNetworks，DCNNs）的引入，为强化学习在处理高维度数据方面提供了强大工具。

数字扫地僧·2025-03-22 01:40

10.2 如何解决从复杂 PDF 文件中提取数据的问题？

方法：使用计算机视觉和深度学习技术，如卷积神经网络（CNN）或其他先进的图像处理算法。效果：能够检测出页面

墨染辉·2025-03-21 21:33

【DNN量化工具】QKeras 工具简介

QKeras工具简介QKeras是一个用于量化深度学习模型的Keras扩展库，旨在使深度学习模型的量化（即将模型的浮点权重转换为低精度格式）变得简单而高效。

kanhao100·2025-03-21 18:07

QKeras、Brevitas和QONNX量化工具对比

QKeras、Brevitas和QONNX量化工具对比一、引言在深度学习模型部署领域，量化技术已成为提升模型执行效率的关键手段。

kanhao100·2025-03-21 16:48

机器学习是怎么一步一步由神经网络发展到今天的Transformer架构的？

以下是更全面的总结，涵盖了从早期神经网络到卷积神经网络之前的架构演变：1.早期神经网络：感知机（Perceptron）时间：1950年代末至1960年代。

yuanpan·2025-03-21 15:15

常见经典目标检测算法

以下是一些常见的经典目标检测算法：1.R-CNN（RegionswithCNNfeatures）:R-CNN通过使用区域提议方法（如选择性搜索）首先生成潜在的边界框，然后使用卷积神经网络(CNN)提取特征

109702008·2025-03-21 15:39

Marker可以快速且准确地将PDF转换为markdown格式。

针对书籍和科学论文进行了优化）支持所有语言移除页眉/页脚/其他杂质格式化表格和代码块提取并保存图像以及markdown将大多数方程转换为latex支持在GPU、CPU或MPS上运行工作原理Marker是一个由深度学习模型组成的管道

星霜笔记·2025-03-21 11:34

Hugging Face预训练GPT微调ChatGPT（微调入门！新手友好！）

HuggingFace是⼀家专注于NLP领域的AI公司，开发了⼀个名为Transformers的开源库，该开源库拥有许多预训练后的深度学习模型，如BERT、G

y江江江江·2025-03-21 10:31

深度学习的颠覆性发展：从卷积神经网络到Transformer

深度学习的发展历程可以分为以下几个阶段：2006年，GeoffreyHinton等人开始研究卷积神经网络（ConvolutionalNeuralNetworks，CNN），这是深度学习的第一个大突破。

AI天才研究院·2025-03-21 07:57

高性能计算:GPU加速与分布式训练

1.背景介绍随着人工智能技术的飞速发展，深度学习模型的规模和复杂度不断提升，对计算能力的需求也越来越高。

AI天才研究院·2025-03-21 06:17

使用 MistralAI 平台进行开源模型托管与调用

通过该平台，你可以方便地调用强大的深度学习模型，并将其集成到你的应用中。本文将带你了解如何利用MistralAI提供的服务来进行模型的托管和调用。

VYSAHF·2025-03-21 04:05

DeepLabv3+改进18:在主干网络中添加REP_BLOCK

本专栏重磅推出：✅独家改进策略：融合注意力机制、轻量化设计与多尺度优化✅即插即用模块：ASPP+升级、解码器PS:订阅专栏提供完整代码论文简介我们提出了一种通用的卷积神经网络（ConvNet）构建模块，

AICurator·2025-03-21 03:01

Multi-view graph convolutional networks with attention mechanism

摘要传统的图卷积网络关注于如何高效的探索不同阶跳数(hops)的邻居节点的信息。但是目前的基于GCN的图网络模型都是构建在固定邻接矩阵上的即实际图的一个拓扑视角。

小源er·2025-03-20 23:54

基于多头注意机制的多尺度特征融合的GCN的序列数据（功率预测、故障诊断）模型及代码详解

GCN基础在深度学习领域中，图卷积网络(GCN)是一种强大的图数据处理工具。它将卷积操作扩展到图结构上，能够有效捕捉图中节点之间的关系信息。

清风AI·2025-03-20 22:14

YOLO魔改之频率分割模块（FDM）

这些方法通常采用两阶段或单阶段策略，通过卷积神经网络(CNN)提取特征并进行分类和定位。

清风AI·2025-03-20 21:11

目标检测YOLO实战应用案例100讲-基于毫米波雷达与摄像头协同的道路目标检测与识别（续）

实测数据采集与分析3.2.1回波数据处理3.2.2毫米波雷达数据采集实验3.3基于传统图像特征的目标识别算法3.3.1基于灰度共生矩阵的时频图特征提取3.3.2支持向量机分类器3.3.3实验及结果分析3.4基于卷积神经网络的目标识别算法

林聪木·2025-03-20 21:35

使用 TensorFlow 进行图像处理：深度解析卷积神经网络（CNN）

目录使用TensorFlow进行图像处理：深度解析卷积神经网络（CNN）1.什么是卷积神经网络（CNN）？CNN的基本结构为什么CNN适合图像处理？

一碗黄焖鸡三碗米饭·2025-03-20 12:28

3DMAX点云算法：实现毫米级BIM模型偏差检测（附完整代码）

文中提供关键代码实现，涵盖点云处理、特征提取与深度学习模型搭建。一、核心算法流程点云预处理与特征增强去噪与下采样：采用统计滤波与体素网格下采样，去除离群点并降低数据量。

夏末之花·2025-03-20 00:42

【论文精读】SCINet-基于降采样和交互学习的时序卷积模型

《SCINet:TimeSeriesModelingandForecastingwithSampleConvolutionandInteraction》的作者团队来自香港中文大学，发表在NeurIPS2022会议上。动机该论文的出发点是观察到时间序列数据具有独特的属性：即使在将时间序列下采样成两个子序列后，时间关系（例如数据的趋势和季节性成分）也基本上得以保留。这个观察启发了作者去设计一种新型的神

打酱油的葫芦娃·2025-03-19 17:17

什么是机器视觉3D引导大模型

以下从技术架构、行业应用、挑战与未来趋势等方面综合分析：一、技术架构与核心原理多模态数据融合与深度学习3D视觉引导大模型通常整合RGB图像、点云数据、深度信息等多模态输入，通过深度学习算法（如卷积神经网络

视觉人机器视觉·2025-03-19 16:42

深度学习五大模型：CNN、Transformer、BERT、RNN、GAN详细解析

卷积神经网络（ConvolutionalNeuralNetwork,CNN）原理：CNN主要由卷积层、池化层和全连接层组成。

·2025-03-19 11:37

算力技术创新驱动多场景应用演进

在工业互联网场景中，边缘计算通过分布式节点实现毫秒级响应，支撑智能制造产线的实时控制；智能安防系统依托深度学习模型与流计算技术，完成海量视频数据的动态解析；而科学计算领域通过分布式计算与模型压缩技术，将基因测序

智能计算研究中心·2025-03-19 11:06

AI模型技术前沿与跨场景应用实践

应用层面，TensorFlow与PyTorch框架在医疗影像诊断、金融时序预测等领域的实战案例，验证了深度学习模型在垂直行业的泛化能力。值得关注的是，工具链整合已成为技术落地的关键环节，MXNet与

智能计算研究中心·2025-03-19 11:36

深度学习中的Channel，通道数是什么？

参考文章：直观理解深度学习的卷积操作，超赞！

%KT%·2025-03-19 02:39

AI人工智能深度学习算法：搭建可拓展的深度学习模型架构

深度学习模型的成功离不开其强大的学习能力和可拓展性。本文将深入探讨深度学习算法的原理、模型架构设计以及可拓展性的关键要素，并通过代码实例和实际应用场景，帮助读者理解如何搭建可拓展的深度学习模型架构。

AI大模型应用之禅·2025-03-19 02:09

机器学习之向量化

文章目录向量化是什么为什么要向量化提升计算效率简化代码与增强可读性适配模型需求怎么做向量化数据预处理特征提取特征选择向量构建机器学习与深度学习中向量化的区别数据特征提取方式机器学习深度学习模型结构与复杂度机器学习深度学习计算资源需求机器学习深度学习数据规模适应性机器学习深度学习向量化是什么向量化是把数据转化为向量形式进行表示与处理的过程

珠峰日记·2025-03-19 01:35

NLP高频面试题（四）——BN和LN的区别与联系，为什么attention要用LN

在深度学习模型中，Normalization是一种极为重要的技巧，BatchNormalization（BN）和LayerNormalization（LN）是其中最为常用的两种方法。

Chaos_Wang_·2025-03-19 00:24

推荐频道