摘要：GNN：图神经网络，由于传统的DNN网络无法表示顶点和边这种关系型数据，便出现了图神经网络解决这种图数据的表示问题，这属于DNN往图方向的应用扩展 GCN：图卷积神经网络，GNN在训练过程中，有将attention引入图结构的，有将门控机制引入图结构的，还有将卷积引入图结构的，引入卷积的GNN就是G 阅读全文

摘要：论文Fully Convolutional Networks for Semantic Segmentation 是图像分割的milestone论文。 GitHub - shelhamer/fcn.berkeleyvision.org: Fully Convolutional Networks fo 阅读全文

摘要：提出于FCN。 如果将全卷积之后的结果直接上采样得到的结果是很粗糙的，所以将不同池化层的结果进行上采样之后来优化输出： 不同上采样结构得到的结果对比举例如下（FCN）： 也可以将pool1， pool2的输出再上采样输出。但作者说了这样得到的结果提升并不大。（实际实验过发现也确实是这样的！） 阅读全文

摘要：目标检测任务的损失函数由 Classificition Loss 和 Bounding Box Regeression Loss 两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程，其演进路线是Smooth L1 Loss  阅读全文

摘要：特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。如何正确融合特征是一个难题。 在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分 阅读全文

摘要：本文将介绍一种新提出的坐标注意力机制，这种机制解决了SE，CBAM上存在的一些问题，产生了更好的效果，而使用与SE，CBAM同样简单。 论文地址： https://arxiv.org/pdf/2103.02907.pdf 代码地址： https://github.com/AndrewQibin/Co 阅读全文

摘要：SE模块（Squeeze-and-Excitation） SENet: SENet网络的创新点在于关注channel之间的关系，希望模型可以自动学习到不同channel特征的重要程度。为此，SENet提出了Squeeze-and-Excitation (SE)模块。 SE模块首先对卷积得到的特征图进 阅读全文

摘要：评价指标： 1.准确率 （Accuracy）：分对的样本数除以所有的样本数 ，即：准确（分类）率 = 正确预测的正反例数 / 总数。 注：准确率一般用来评估模型的全局准确程度，不能包含太多信息，无法全面评价一个模型性能。 2.混淆矩阵 （Confusion Matrix）：混淆矩阵中的横轴是模型预测 阅读全文

摘要：共享文件夹位置： 阅读全文

摘要：Waiting for cache lock: Could not get lock /var/lib/dpkg/lock-frontend. It is heWaiting for cache lock: Could not get lock /var/lib/dpkg/lock-frontend 阅读全文

摘要：6.1 XGBoost与GBDT的联系和区别有哪些？ （1）GBDT是机器学习算法，XGBoost是该算法的工程实现。 （2）正则项：在使用CART作为基分类器时，XGBoost显式地加入了正则项来控制模型的复杂度，有利于防止过拟合，从而提高模型的泛化能力。 （3）导数信息：GBDT在模型训练时只使 阅读全文

摘要：5. XGBoost实例 本篇文章所有数据集和代码均在我的GitHub中，地址：https://github.com/Microstrong0305/WeChat-zhihu-csdnblog-code/tree/master/Ensemble%20Learning/XGBoost 5.1 安装XG 阅读全文

摘要：1. XGBoost简介 XGBoost的全称是eXtreme Gradient Boosting，它是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。XGBoost是大规模并行boosting tree的工具，它是目前最快最好的开源 boosting tree工具包，比常见的工具包快10倍以上 阅读全文

摘要：报错： 参考文档：(28条消息) ModuleNotFoundError: No module named ‘pip._internal.cli.main‘的解决方法_大师与玛格丽特_1的博客-CSDN博客 背景 背景：使用jupyter notebook读取Excel中的数据时，提示需要安装pye 阅读全文

摘要： 阅读全文

摘要： 阅读全文

摘要： 阅读全文

摘要： 阅读全文

摘要： 阅读全文

摘要： 阅读全文

摘要：一创建数组 阅读全文

摘要： 阅读全文

摘要：numpy图像处理： 安装opencv 阅读全文

摘要：numpy安装: 安装numpy，发现已经安装 阅读全文

摘要： 阅读全文

摘要：tensor张量 阅读全文

摘要：利用jupytrt写pytorch代码： 在命名为pytorch的下面安装jupyter 在pytorch虚拟环境中安装nb_conda包 安装完成： 进入jupyter: 选择有pytorch的： 测试： 成功！ 再次打开： 虚拟环境打开记事本将无法在jupyter中找到pytorch的编写环境： 阅读全文

摘要：1.不初始化的创建张量： 2.随机创建0-1的张量： 3.创建全为0的张量： 4.用数据来直接创建张量： 5.查看tensor维度信息： 6.简单的计算： 7.索引操作： 8.维度变换 注意：必须维度变换数据的数量必须保持一致 阅读全文

摘要：到pytorch官网选择对应版本的安装命令进行粘贴 安装过程： 测试pytorch是否安装成功，并且查看版本号： 再次打开： 运行命令测试： 我的pytorch 安装路径：F:\tensorflow\Miniconda3-latest-Windows-x86_64\Miniconda3\envs\p 阅读全文