深度学习-不做科研废物🌸

不做科研废物🌸

行动起来，活在当下

累计撰写 16 篇文章
累计创建 8 个标签
累计收到 0 条评论

目录CONTENT

以下是深度学习相关的文章

2024-12-03
Vision Transformer-当Transformer来到CV 本论文分析了Vision Transformer (ViT) 在图像识别中的应用，探讨了其与传统卷积神经网络的不同之处，尤其是在图像处理中的创新方法。ViT通过将图像分割为多个小Patch，每个Patch作为一个Token来处理，从而大幅降低了计算复杂度。此外，引入了CLS Token以提取类别信息，并使用位置编码来记录图像块位置。实验表明，ViT在多种数据集上表现出色，不仅提升了计算效率，也显著提高了图像分类的准确性。
- 2024-12-03
- 12
- 0
- 0
- 学习
2024-12-03
Transformer代码解析本文详细解析了Transformer模型的各个组成部分，包括缩放点积注意力、多头注意力、位置编码、前馈神经网络和编码器、解码器层。缩放点积注意力通过温度参数优化注意力权重，而多头注意力机制允许模型并行处理多个注意力头。位置编码为输入添加位置信息，前馈神经网络通过激活函数和线性变换增强特征表达。编码器和解码器层通过多头注意力和前馈网络串联传递信息，整体结构提升了深度学习任务的表现，适用于序列生成和机器翻译等应用。
- 2024-12-03
- 8
- 0
- 0
- 学习
2024-12-03
ResNet-深度神经网络的里程碑深度学习领域中的残差网络（ResNet）由微软研究所的何凯明等提出，成功解决了深层神经网络训练中的梯度消失和梯度爆炸问题。通过引入跳跃连接和恒等映射，ResNet有效避免了模型退化，实现了更深网络的有效训练。其结构包括BasicBlock和BottleNeck，后者优化了参数数量和计算效率。ResNet在视觉任务上取得显著性能提升，成为深度神经网络的重要里程碑，奠定了后续模型设计的基础。
- 2024-12-03
- 25
- 0
- 0
- 学习
2024-12-02
当行人重识别遇见Transformer 本研究综述了Transformer在行人重识别（ReID）领域的应用，揭示了其在特征提取和建模中的潜力。通过回顾多个相关工作和数据集，文章展示了Transformer在处理图像、视频和不同模态（如红外与可见光）中的有效性。特别地，TransReID作为首个在ReID领域引入Transformer的方法，展现了其在捕获远距离依赖和处理细节信息方面的优势。此外，研究还探讨了通过改进注意力机制和结合CNN特征的方法，进一步推动了ReID技术的发展。
- 2024-12-02
- 11
- 0
- 0
- 学习
2024-11-29
恒源云GPU平台使用指北本文介绍了如何使用恒源云GPU平台，包括整体流程、数据上传与下载、压缩包解压、更换源、后台运行及执行训练并自动上传结果的步骤。用户可以通过OSS命令将本地文件上传至云端，并在云端下载之前上传的文件。此外，文中还说明了如何更换conda和pip源，以及使用tmux管理长时间运行的会话。最后，提供了一个示例脚本，用于训练完成后自动压缩结果文件并上传到个人云空间，同时包含关机的相关提示。
- 2024-11-29
- 57
- 0
- 0
- 学习
2024-11-20
百度飞桨创建Pytorch环境引自：https://blog.csdn.net/m0_63706703/article/details/138837331 打开终端，创建虚拟环境： python3 -m venv env_name # (python3 -m 路径环境名) 激活新的虚拟环境(linux终端)： source e
- 2024-11-20
- 17
- 0
- 0
- 学习