yolov3训练

Python训练营Day11

DAY11超参数调整专题1知识点回顾网格搜索随机搜索（简单介绍，非重点实战中很少用到，可以不了解）贝叶斯优化（2种实现逻辑，以及如何避开必须用交叉验证的问题）time库的计时模块，方便后人查看代码运行时长importpandasaspdimportpandasaspd#用于数据处理和分析，可处理表格数据。importnumpyasnp#用于数值计算，提供了高效的数组操作。importmatplot
凝霄·2025-05-03 15:06

Python打卡DAY11

超参数调整专题1核心知识点回顾模型=算法+实例化设置的外参（超参数）+训练得到的内参只要调参就需要考2次【所以如果不做交叉验证，就需要划分验证集和测试集，但是很多调参方法中都默认有交叉验证，所以实际中可以省去划分验证集和测试集的步骤
a60_6·2025-05-03 14:04

Day11 Python打卡训练营

超参数调整专题1知识点回顾1.网格搜索2.随机搜索（简单介绍，非重点实战中很少用到，可以不了解）3.贝叶斯优化（2种实现逻辑，以及如何避开必须用交叉验证的问题）4.time库的计时模块，方便后人查看代码运行时长今日作业：对于信贷数据的其他模型，如LightGBM和KNN尝试用下贝叶斯优化和网格搜索数据预处理数据加载和基础配置：设置中文字体显示，加载数据集分类特征处理：标签编码：将有序类别特征（如贷
404.Not Found·2025-05-03 14:33

大语言模型原理基础与前沿 语言模型和分词

在深度学习框架中，语言模型通常通过神经网络实现，并使用大规模语料库进行预训练，以学习语言的统计规
杭州大厂Java程序媛·2025-05-03 14:03

【计算机视觉】三维视觉：Nerfstudio：模块化神经辐射场框架的技术突破与实战指南

深度解析Nerfstudio：模块化神经辐射场框架的技术突破与实战指南技术架构与核心创新系统架构设计关键技术特性环境配置与安装指南硬件要求全平台安装流程实战全流程解析1.数据采集与预处理2.模型训练与优化
白熊188·2025-05-03 14:30

github深度学习项目复现教程

paperswithcode搜索关键词“deeplearning”等，最受欢迎的是stars数最多的查看readme是否清晰地描述了项目目标、使用的技术、安装步骤和运行方法是否包含依赖项、所需数据集和训练模型等信息
橙意满满的西瓜大侠·2025-05-03 13:26

【计算机视觉】目标检测：深度解析YOLOv9：下一代实时目标检测架构的创新与实战

下一代实时目标检测架构的创新与实战架构演进与技术创新YOLOv9的设计哲学核心创新解析1.可编程梯度信息（PGI）2.广义高效层聚合网络（GELAN）3.轻量级设计环境配置与快速开始硬件需求建议详细安装步骤项目结构解析模型训练全流程
白熊188·2025-05-03 13:55

【深度学习】LoRA: Low-Rank Adaptation of Large Language Models，论文解读

低秩适应矩阵被注入到预训练模型的每一层Transformer结构中，这一步是如何做到的？摘要自然语言处理的一个重要范式是在通用领域数据上进行大规模预训练，并适应特定任务或领域。
XD742971636·2025-05-03 13:54

查看MNIST数据集中的图片

这里只使用了训练集，要看测试集的可以自行查看。下载mnist数据集通过pytorch下载数据集，保存在当前目录下的root文件夹下。
honeysuckle_luo·2025-05-03 11:42

深入解析Transformer：LLM大模型的核心架构

大量的研究从n元语言模型（n-gramLanguageModels）、神经语言模型（NeuralLanguageModels，NLM）以及预训练语言模型（Pre-trainedLan
bishedaima_com_q·2025-05-03 10:39

DeepSeek多语言AI模型：高效低成本重塑创作

值得关注的是，其模块化设计显著降低了训练与推理成本，相较于传统单一模型架构，资源利用率提升达4
智能计算研究中心·2025-05-03 10:36

LangChain Agent核心解析：Zero-Shot-ReAct策略实现与实战指南

zero-shot-react-description是一种预定义的Agent类型，它结合了Zero-Shot（零样本学习）和ReAct（推理+行动）策略，主要用于根据工具的描述动态选择和执行工具，无需依赖预先提供的示例（即不需要训练数据或上下文示例
lczdyx·2025-05-03 09:00

让我们用 PyTorch 从头开始构建我们自己的 GPT 模型

今天，我们将离开VisionTransformer系列，并讨论构建生成预训练Transformer(GPT)的基本变体。
AI技术学长·2025-05-03 08:20

交叉验证 java_从R中的交叉验证（训练）数据绘制ROC曲线

我想知道是否有一种方法可以根据使用caret包生成的SVM-RFE模型的交叉验证数据绘制平均ROC曲线.我的结果是：RecursivefeatureselectionOuterresamplingmethod:Cross-Validated(10fold,repeated5times)Resamplingperformanceoversubsetsize:VariablesROCSensSpecA
极萨学院冷哲·2025-05-03 07:43

【统计方法】交叉验证：Resampling, nested 交叉验证等策略 【含R语言】

Resampling(重采样方法)重采样方法是从训练数据中反复抽取样本，并在每个（重新）样本上重新调整模型，以获得关于拟合模型的附加信息的技术。
pen-ai·2025-05-03 06:41

神经网络的概念和基本用法

什么是人工神经网络，我的理解就是：举个不太恰当的例子，当你训练你的狗时，第一次给它一个橘子，跟它说这是橘子；下一次再给它橘子，看它还认不认识，如果不认识，继续告诉他，直到狗可以认出橘子为止。
大数据技术派·2025-05-03 05:31

数学：拉马努金如何想出计算圆周率的公式？

尽管他的思考过程带有强烈的个人色彩，甚至夹杂着神秘主义色彩，但可以从以下几个方面解析其可能的灵感来源：1.直觉与数学洞察力拉马努金自学成才，缺乏正规的高等数学训练，却对数学符号和级数有着惊人的直觉。
belldeep·2025-05-03 05:31

实战9：机器学习之：朴素贝叶斯方法对鸢尾花卉品种预测实战教程

在特征条件独立的假设下，朴素贝叶斯法先利用训练数据集的先验统计信息计算特征向量与标签的联合概率分布，然后对于新输入的样本点，利用联合概率分布计算后验概率,并用后验概率最大的输出标签确定为新样本点的类别。
计算机毕设论文·2025-05-03 05:00

机器学习实战：PyTorch 与 Sklearn 线性回归模型大对决

一、引言在机器学习领域，模型的构建和训练依赖于各种工具和框架。PyTorch和Sklearn作为其中的佼佼者，在实现线性回归模型时各有千秋。深入了解它们的差异和优势，对提升模型性能和开发效率意义重大。
#guiyin11·2025-05-03 05:57

RT-DETR yaml 配置文件说明

#UltralyticsYOLO,AGPL-3.0许可证#对于中等增强的COCO训练，默认的训练设置和超参数#YOLO任务设置，指定要执行的任务类型task:detect#(str)YOLO任务类型，例如
明天吃香菜·2025-05-03 04:49

论文阅读笔记—— AdvFilter: Predictive Perturbation-aware Filtering against Adversarial Attack via Multi-d L

PredictivePerturbation-awareFilteringagainstAdversarialAttackviaMulti-domainLearning背景贡献相关工作对抗性去噪防御对抗性训练防御其他对抗性防御方法一般图像去噪创新公式方法多域学习实验
jessIoss·2025-05-03 04:19

【论文阅读】Multi-Component Feature Extraction for Few-Sample Automatic Modulation Classification

基于DL的AMC方法能够通过训练大量标记样本来实现高精度。问题然而，如果样本不足，这些基于DL的AMC方法会急剧恶化。少数样品条件下的调制识别逐渐成为一个紧迫的问题。
Bosenya12·2025-05-03 03:48

【论文阅读】APMSA: Adversarial Perturbation Against Model Stealing Attacks

摘要训练深度学习（DL）模型需要专有数据和计算密集型资源。为了收回训练成本，模型提供商可以通过机器学习即服务（MLaaS）将DL模型货币化。
Bosenya12·2025-05-03 03:17

第18节：6种传统方法实战项目（MNIST分类）

为了探究不同传统算法在分类上的表现，本文实现了6种算法，这些脚本都遵循相同的模式：加载MNIST数据集划分训练集和测试集训练指定模型评估并输出结果要运行这些脚本，只需分别执行每个文件即可。
点我头像干啥·2025-05-03 02:06

【目标检测】【CVPR 2025】DEIM：基于优化匹配机制的DETR模型，实现快速收敛

然而，DETR在训练过程中存在收敛速度慢的问题，这限制了其在实际应用中的广泛使用。为了解决这一问题，CVPR2025上提出的DEIM（DETRwit
点我头像干啥·2025-05-03 02:36

python打卡day10

作业：尝试对心脏病数据集采用机器学习模型建模和评估先回顾一下对于一个数据进行机器学习训练的全流程：1.导入库和读取数据查看数据信息----理解数据，可视化也包含在里2.缺失值处理----fillna()
(・Д・)ノ·2025-05-03 01:35

基于自然语言处理的情感对话系统设计

方法上，结合了深度学习中的循环神经网络（RNN）及其变体长短期记忆网络（LSTM），对大量的情感文本数据进行训练，构建情感分类模型，同时利用预训练语言模型如BERT
赵谨言·2025-05-03 00:57

小米开源Xiaomi-MiMo-7B 详情

但报告作者认为，强化学习训练的推理模型效果取决于基础模型的推理潜力。为充分挖掘语言模型的推理潜力，既要关注后训练策略，也要优化预训练方法。MiM
Panesle·2025-05-02 23:49

基于大模型的输尿管结石诊疗全流程预测与应用研究报告

适用于输尿管结石预测的大模型类型三、术前风险预测与方案制定3.1术前风险预测指标3.1.1患者基本信息3.1.2结石相关特征3.1.3输尿管及肾脏状况3.2大模型预测方法及验证3.2.1数据收集与预处理3.2.2模型构建与训练
LCG元·2025-05-02 23:18

基于大模型的尿道下裂全程管理策略研究报告

1.1研究背景与意义1.2研究目的1.3国内外研究现状二、尿道下裂概述2.1定义与分类2.2发病率与危害2.3发病机制与病因三、大模型预测原理与方法3.1大模型介绍3.2数据收集与预处理3.3模型构建与训练
LCG元·2025-05-02 23:18

基于大模型预测的输尿管癌诊疗全流程研究报告

目录一、引言1.1研究背景与意义1.2研究目的与创新点二、大模型预测输尿管癌的原理与方法2.1大模型技术概述2.2用于输尿管癌预测的大模型选择2.3数据收集与处理2.4模型训练与优化三、术前风险预测与手术方案制定
LCG元·2025-05-02 22:45

DeepSeek Coder：面向编程的代码专用模型

每个专家在训练时针对不同数据类型和任务
Chaos_Wang_·2025-05-02 22:12

轻松部署分布式 PyTorch 任务：使用 PytorchJob 在 Kubernetes 上训练模型

PytorchJob是由KubeFlow提供的一种原生Kubernetes资源类型，用于在Kubernetes集群中部署和管理PyTorch训练任务。
gs80140·2025-05-02 21:41

【人工智能】图神经网络（GNN）的推理方法

图神经网络（GNN）的推理方法是指利用训练好的模型对图结构数据（如节点、边或整个图）进行预测或决策的过程。其核心在于如何通过图的拓扑结构和节点/边特征，传播和聚合信息以实现目标任务的推理。
meisongqing·2025-05-02 21:05

手写数字识别入门实战

本文将从最简单的逻辑回归模型出发，逐步实现ANN和CNN，通过**完整代码+可视化训练过程**，带你直观感受不同模型的性能差异。文末附完整代码和数据集！
wizonebb·2025-05-02 21:35

转onnx模型学习汇总及TensorRT部署

BEVDepth转模型四总结一写在前面  深度学习火起来已近十年，于当下的算法岗位而言，多数都在基于深度学习方式或者深度学习相关方法做研发，但算法研发发展至今，对研发人员的要求绝不会限于公开数据集的使用、开源模型的训练
天亮换季·2025-05-02 21:03

Python训练营打卡Day13

#坚持就是胜利！@浙大疏锦行DAY13知识点复习不平衡数据集的处理策略：过采样、修改权重、修改阈值交叉验证代码作业：从示例代码可以看到效果没有变好，所以很多步骤都是理想是好的，但是现实并不一定可以变好。这个实验仍然有改进空间，如下。1.我还没做smote+过采样+修改权重的组合策略，有可能一起做会变好。2.我还没有调参，有可能调参后再取上述策略可能会变好针对上面这2个探索路径，继续尝试下去，看看是
宸汐Fish_Heart·2025-05-02 21:33

PyTorch 保存和加载模型参数，从预训练模型中加载部分参数，包括预训练模型中某些参数不匹配的情况

文章目录0前言1state_dict2保存和加载用于推理的模型参数3保存和加载整个模型4保存和加载用于推理或者继续训练的generalcheckpoing5将多个模型参数保存在一个文件中6使用来自不同模型的参数进行
亚里随笔·2025-05-02 20:58

学习：困？

其实困的主要原因是，在大家的对当前上看的整体逻辑思路不清晰，脑力训练不够。或者就是，所谓就是脑子跟不上，不知所云，最终导致大脑处于一种睡梦里神游的状态。
mzhan017·2025-05-02 19:25

scGPT-spatial：持续预训练scGPT用于空间转录组

然而，现有的基础模型大多是在scRNA-seq数据上进行预训练的，无法解析样本之间的空间关系，也无法捕捉来自不同测序协议的独特分布特征。
tzc_fly·2025-05-02 16:00

YOLOv5的gpu训练环境安装（windows系统，anaconda虚拟python环境）

本人在用YOLOv5进行物体检测时，使用使用detect.py文件时无法调用gpu，下载了pytorch的gpu版本后代码运行会报错，错误信息说是CUDA环境不正确，为此整理了一下CUDA和pytorch环境的安装。（由报错可知，detect.py选项无法运行并不是因为gpu环境未配置好，而是不能使用gpu，所以下载好gpu版本后，pythondetect.py--weightsyolov5s.p
wifi11·2025-05-02 14:18

浙大：指导机制优化LLM偏好对齐

我们发现，在DPO训练过程中，参考模型起
大模型任我行·2025-05-02 13:42

超越CUDA：ROCm与oneAPI在异构计算中的性能对比实验（国产GPU生态下的开发路径探索）

一、异构计算生态的竞争格局当前异构计算领域呈现“一超多强”格局：英伟达凭借‌CUDA生态‌占据90%以上的AI训练市场份额‌，而AMD的‌ROCm‌与英特尔的‌oneAPI‌通过差异化技术路线持续挑战其垄断地位
学术猿之吻·2025-05-02 12:38

GPU虚拟化技术在分布式训练中的落地难题与解决方案

在高校实验室中，GPU资源的高效利用是支撑分布式训练、大模型研究的关键。然而，多课题组共享GPU集群时普遍存在‌资源碎片化、隔离性不足、调度效率低‌等问题。
学术猿之吻·2025-05-02 12:08

国产GPU破局之路：摩尔线程与景嘉微的技术路线对比

本文从架构设计、生态策略、应用场景三维度，解析二者在AI训练与推理领域的竞争逻辑。
学术猿之吻·2025-05-02 12:37

模型部署与监控：让模型投入生产

然而,训练出一个性能优异的模型只是迈出了第一步,如何将模型高效、稳定、安全地部署到生产环境中,并对其进行持续监控和优化,才是AI落地的关键。
AI天才研究院·2025-05-02 11:28

AIGC架构与原理

AIGC（AIGeneratedContent，人工智能生成内容）的架构与原理AIGC通过整合数据采集、模型训练、推理服务等模块，结合深度学习与生成对抗网络（GAN）等技术，实现从数据到内容的自动化生成
有梦想的攻城狮·2025-05-02 10:51

《机器学习中的“减肥”秘籍：L2 正则化》

《机器学习中的“减肥”秘籍：L2正则化》摘要在机器学习的世界里，模型过拟合就像一个人过度依赖记忆而缺乏理解能力一样，虽然在训练数据上表现完美，但在面对新数据时却变得手足无措。
未来创世纪·2025-05-02 09:16

医学实体识别(NER)训练流程/医学关系识别(RE)训练流程

知识图谱知识抽取的主流流程数据获取与预处理(DataAcquisitionandPreprocessing)网络爬虫采集数据(Webcrawling)数据清洗(Datacleaning)文本分词与标准化(Texttokenizationandnormalization)实体识别(NamedEntityRecognition,NER)识别文本中的命名实体(Identifyingnamedentiti
AI Agent首席体验官·2025-05-02 09:15

使用AI推荐模型提升电商平台用户转化率：Java与Python深度整合指南

本文将详细介绍如何在现有的Java电商平台项目中引入AI推荐模型，并通过RESTAPI实时调用Python训练的机器学习模型，为用户提供个性化的服务推荐，从而显著提升用户转化率。
会游泳的石头·2025-05-02 09:45
上一页 46 47 48 49 50 51 52 53 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他