【热门话题】PyTorch：深度学习领域的强大工具
🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈｜ 炫酷HTML | JavaScript基础 💫个人格言: "如无必要，勿增实体" 文章目录 PyTorch：深度学习领域的强大工具一、PyTorch概述二、PyTorch核心特性详解三、PyTorch在深度学习应用中的实践四、PyTorch生态与社区五、总结 PyTorch：深度学习领域的强大工具 摘要：PyTorch作为深度学习领域备受青睐的...
ChatGPT深度科研应用、数据分析及机器学习、AI绘图与高效论文撰写
熟练地掌握ChatGPT4.0在数据分析、自动生成代码等方面的强大功能，同时更加系统地学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，掌握ChatGPT4.0在科研工作中的各种使用方法与技巧，以及人工智能领域经典机器学习算法（BP神经网络、支持向量机、决策树、随机森林、变量降维与特征选择、群优化算法等）和热门深度学习方法（卷积神经网络、迁移学习、RNN与LSTM神经...
【深度学习实战（6）】搭建通用的语义分割推理流程
一、代码 #---------------------------------------------------## 检测图片#---------------------------------------------------#def detect_image(self, image, count=False, name_classes=None): #-----------------...
【深度学习实战（7）】搭建自己的交叉熵(cross_entropy)函数
一、cross_entry介绍 交叉熵(cross_entropy)函数是一个非常重要的函数，常用于分类问题。 公式为： 二、相关的函数有： log_softmax,nll_loss, cross_entropy 1.log_softmax log_softmax就是log和softmax合并在一起执行，log_softmax=log+softmax 2. nll_loss nll_loss函数全称...
Pointnet++改进卷积系列：全网首发DualConv轻量级深度神经网络的双卷积核 |即插即用，提升特征提取模块性能
简介：1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！2.本篇文章对Pointnet++特征提取模块进行改进，加入DualConv，提升性能。3.专栏持续更新，紧随最新的研究内容。 目录 1.理论介绍 2.修改步骤 2.1 步骤一 2.2 步骤二 2.3 步...
【HBase】HBase深度解析：特性、实战应用及核心流程全景
HBase 是一个开源的、非关系型的分布式数据库（NoSQL），它建立在 Hadoop 文件系统（HDFS）之上。HBase 旨在存储海量的稀疏数据集，这种数据集通常是由用户界面事件、消息系统、传感器设备等产生的时间序列数据。它是 Google BigTable 的开源实现，由 Apache 软件基金会管理。HBase 能够提供实时读写访问大规模数据集的能力，并能够确保数据的可伸缩性和弹性。 HBa...
【深度学习实战（5）】使用OPENCV库实现自己的letter_box操作
一、letter_box 深度学习模型输入图片的尺寸为正方形，而数据集中的图片一般为长方形，粗暴的resize会使得图片失真，采用letterbox可以较好的解决这个问题。该方法可以保持图片的长宽比例，剩下的部分采用灰色填充。 二、代码 本例中，模型输入尺寸为604x640，而我们读取的图片的实际尺寸为128x384，通过letter_box操作，实现将原始图像以不失真的方式调整为640x640。 ...
深度解析 Spark（进阶）：架构、集群运行机理与核心组件详解
关联阅读博客文章：深度解析SPARK的基本概念 引言： Apache Spark作为一种快速、通用、可扩展的大数据处理引擎，在大数据领域中备受关注和应用。本文将深入探讨Spark的集群运行原理、核心组件、工作原理以及分布式计算模型，带领读者深入了解Spark技术的内在机制和运行原理。 Spark集群模式的工作原理 Spark可以以多种方式部署在集群上，包括独立部署、YARN模式、Mesos模式等。下...
Doris 深度解析：打造高效、可扩展的数据分析平台
“Doris” 是一个用于商业智能（BI）的开源MPP（大规模并行处理）数据库系统，原名 Apache Doris，用于构建数据仓库和进行数据分析。它是一个高性能、易扩展的分析数据库解决方案，支持实时查询和多维数据分析。以下是关于 Doris 的一些详细介绍： 特性： 高性能：Doris 设计用于处理大规模数据，提供高并发和低延迟的查询性能。实时查询：支持接近实时的数据更新和查询，适合需要快速响应的...
【域适应】基于深度域适应MMD损失的典型四分类任务实现
screpancy）是用来衡量两组数据分布之间相似度的度量。一般地，如果两组数据分布相似，那么MMD 损失就相对较小，说明两组数据/特征处于相似的特征空间中。基于这个想法，对于源域和目标域数据，在使用深度学习进行特征提取中，使用MMD损失，可以让模型提取两个域的共有特征/空间，从而实现源域到目标域的迁移。 参考论文：https://arxiv.org/abs/1409.6041 工具 Python ...