|
self attention
(5)
|
ResNet
(1)
|
fastText
(1)
|
权重衰退
(1)
|
|
RNN
(5)
|
random
(1)
|
FashionMNIST
(1)
|
权重衰减
(1)
|
|
Encoder
(4)
|
R-CNN
(1)
|
f.readlines()
(1)
|
全连接神经网络
(1)
|
|
Decoder
(4)
|
PyTorch神经网络基础
(1)
|
est Time Augmentation
(1)
|
全卷机神经网络
(1)
|
|
转置卷积
(4)
|
pytorch矩阵乘法
(1)
|
ER图转关系模型
(1)
|
切换用户
(1)
|
|
预训练模型
(4)
|
PyTorch冻结参数
(1)
|
dropuout
(1)
|
欠拟合
(1)
|
|
生成对抗网络
(4)
|
pytorch报错
(1)
|
dropout实现
(1)
|
迁移学习
(1)
|
|
Word Embedding
(3)
|
pytorch tensorboard
(1)
|
drop out
(1)
|
欺诈检测
(1)
|
|
tensorboard
(3)
|
PyTorch tensor简要讲述
(1)
|
Dockerfile配置使用
(1)
|
偏函数
(1)
|
|
LSTM
(3)
|
Pytorch onehot()
(1)
|
Docker自定义镜像
(1)
|
爬取网易云音乐评论
(1)
|
|
batch norm
(3)
|
pytorch
(1)
|
docker注册中心
(1)
|
爬取网页房价
(1)
|
|
自注意力
(3)
|
python字符反转
(1)
|
docker中央仓库
(1)
|
爬取豆瓣top250电影
(1)
|
|
微步卷积
(3)
|
python字典
(1)
|
Docker应用
(1)
|
牛仔行头检测
(1)
|
|
图片分类数据集
(3)
|
python装饰器@
(1)
|
docker容器操作
(1)
|
牛仔检测
(1)
|
|
空洞卷积
(3)
|
Python装饰器
(1)
|
Docker-compose
(1)
|
拟合
(1)
|
|
torchvision.transforms.Normalize()
(2)
|
python中sum()和numpy中sum()函数
(1)
|
Docker CI、CD
(1)
|
内省函数
(1)
|
|
torch.tensor()
(2)
|
Python中__call__的用法
(1)
|
Docker "Got permission denied
(1)
|
内嵌函数
(1)
|
|
tensor
(2)
|
python下划线
(1)
|
dilation
(1)
|
目标检测竞赛总结
(1)
|
|
SSD
(2)
|
python集合
(1)
|
df.set_index()
(1)
|
目标检测
(1)
|
|
split()方法
(2)
|
Python关键字参数
(1)
|
df.itertuples()
(1)
|
默认参数
(1)
|
|
Run Builder
(2)
|
Python闭包
(1)
|
df.iteritems()
(1)
|
模型并行
(1)
|
|
residual network
(2)
|
Python笔记
(1)
|
df.drop()
(1)
|
模型保存
(1)
|
|
reduce()函数
(2)
|
python3冒号注释
(1)
|
DenseNet
(1)
|
锚框QA
(1)
|
|
pytorch基础
(2)
|
python tile()函数
(1)
|
Decorators
(1)
|
锚框代码
(1)
|
|
plt.plot()
(2)
|
python f'{}'
(1)
|
csv.reader()
(1)
|
脉动阵列
(1)
|
|
plt.legend()
(2)
|
python del
(1)
|
cross_entropy
(1)
|
路径处理
(1)
|
|
pathlib
(2)
|
python Decorators
(1)
|
CPU&GPU
(1)
|
路径操作
(1)
|
|
os.path()
(2)
|
Python 函数装饰器.
(1)
|
conda移除虚拟环境
(1)
|
两阶段法
(1)
|
|
mathtype
(2)
|
pycharm解释器
(1)
|
conda虚拟环境jupyter
(1)
|
李沐卷积
(1)
|
|
Inception V3
(2)
|
pycharm环境
(1)
|
conda命令
(1)
|
李宏毅笔记
(1)
|
|
GRU
(2)
|
pycharm exe
(1)
|
conda镜像源
(1)
|
李宏毅
(1)
|
|
GPU并行
(2)
|
print(f"*******")
(1)
|
conda加速
(1)
|
类型注释
(1)
|
|
GoogLeNet
(2)
|
pretrain
(1)
|
conda环境
(1)
|
扩张卷积
(1)
|
|
filter()函数和map()函数
(2)
|
Pooling实现
(1)
|
conda 重命名
(1)
|
困惑度
(1)
|
|
DataLoader
(2)
|
pooling层
(1)
|
conda
(1)
|
课程总结和进阶学习
(1)
|
|
collections.OrderedDict
(2)
|
plt.subplot()
(1)
|
concat、stack、unstacksplit
(1)
|
可行解
(1)
|
|
BLEU
(2)
|
plt.show()
(1)
|
Computational GrahpBack Propagation
(1)
|
可变长字典
(1)
|
|
自注意力机制
(2)
|
plt.scatter()
(1)
|
cnn
(1)
|
可变长元组
(1)
|
|
转轴
(2)
|
plt.figure()
(1)
|
Clipping
(1)
|
可变长参数
(1)
|
|
运筹学
(2)
|
pip镜像源
(1)
|
centos7没有ifconfig命令
(1)
|
卷积问题
(1)
|
|
语义分割
(2)
|
pip加速
(1)
|
CentOS
(1)
|
卷积通道
(1)
|
|
样式迁移
(2)
|
pip参数
(1)
|
CBOW
(1)
|
卷积实现
(1)
|
|
循环神经网络
(2)
|
perplexity
(1)
|
BN
(1)
|
卷积神经网络
(1)
|
|
序列模型
(2)
|
pd.qcut()
(1)
|
BERT预训练
(1)
|
卷积核
(1)
|
|
序列到序列学习(seq2seq)
(2)
|
pd.getdummies()
(1)
|
BERT微调
(1)
|
卷积层
(1)
|
|
物体检测
(2)
|
pandas.loc
(1)
|
beam search
(1)
|
卷积参数默认值
(1)
|
|
文本预处理
(2)
|
pandas.iloc
(1)
|
BCELoss
(1)
|
矩阵计算
(1)
|
|
随机种子
(2)
|
Pandas
(1)
|
Back Propagation
(1)
|
矩阵分析
(1)
|
|
数据并行
(2)
|
padding
(1)
|
attention score
(1)
|
解码器
(1)
|
|
潜变量模型
(2)
|
padans.DataFrame
(1)
|
Attention based model
(1)
|
交叉验证 交叉熵
(1)
|
|
批量归一化
(2)
|
open()
(1)
|
attention
(1)
|
交叉验证
(1)
|
|
脑机接口
(2)
|
NumberWorkers
(1)
|
assert
(1)
|
计算流图
(1)
|
|
门控循环单元
(2)
|
np.r_
(1)
|
ASIC
(1)
|
极端天气应对与思考
(1)
|
|
锚框
(2)
|
np.linspace()
(1)
|
Anomaly Detection
(1)
|
基可行解
(1)
|
|
马尔可夫
(2)
|
np.linspace
(1)
|
anaconda
(1)
|
基解
(1)
|
|
列表推导式
(2)
|
np.concatenatenp.append
(1)
|
Alexnet代码
(1)
|
基本最优解
(1)
|
|
基最优解
(2)
|
np.c_
(1)
|
Alexnet
(1)
|
基本可行解
(1)
|
|
多输入输出通道
(2)
|
NotImplementedError
(1)
|
a
(1)
|
基本解
(1)
|
|
调参技巧
(2)
|
Not a conda environment
(1)
|
最优性检验
(1)
|
机器学习攻略
(1)
|
|
单纯形表
(2)
|
nn.Relu()和F.relu()
(1)
|
最优化
(1)
|
绘制单纯形表
(1)
|
|
zip()
(1)
|
nn.conv2D()
(1)
|
最小公倍数
(1)
|
环境变量配置
(1)
|
|
yum源
(1)
|
nn.Conv1d()
(1)
|
最大公约数
(1)
|
函数文档
(1)
|
|
yticks()
(1)
|
NiN代码实现
(1)
|
子注意力机制
(1)
|
过拟合
(1)
|
|
YOLO
(1)
|
NiN QA
(1)
|
自定义层
(1)
|
归一化
(1)
|
|
xticks()
(1)
|
NiN
(1)
|
字典推导式
(1)
|
关系系统
(1)
|
|
xmind头脑风暴
(1)
|
Neural Turing Machine
(1)
|
专用芯片
(1)
|
关键字参数
(1)
|
|
XGBoost
(1)
|
net.apply()
(1)
|
注意力机制
(1)
|
构造单纯形表
(1)
|
|
Word2Vec
(1)
|
neo4j重复
(1)
|
注意力分数
(1)
|
狗种类识别
(1)
|
|
with
(1)
|
neo4j删除节点
(1)
|
张量
(1)
|
高阶函数
(1)
|
|
win10 tensorboard
(1)
|
NeighborEmbedding邻域嵌入
(1)
|
元组推导式
(1)
|
感知机实现
(1)
|
|
Wget命令
(1)
|
namedtuple()
(1)
|
语言模型
(1)
|
感知机
(1)
|
|
Weight Decay
(1)
|
model.apply()
(1)
|
有序字典OrderedDict
(1)
|
分类竞赛技术总结
(1)
|
|
VGG代码实现
(1)
|
linux添加用户
(1)
|
优化算法
(1)
|
分布式训练
(1)
|
|
VGG
(1)
|
linux命令安装
(1)
|
硬链接
(1)
|
非退化的线性规划问题
(1)
|
|
Variable
(1)
|
Linux环境变量
(1)
|
异常检测
(1)
|
非退化的基可行解
(1)
|
|
Ubuntu环境变量
(1)
|
Linux关机
(1)
|
验证cuda和cudnn是否安装成功
(1)
|
房价预测
(1)
|
|
TTA
(1)
|
linux IP
(1)
|
演讲主题大纲
(1)
|
多GPU训练
(1)
|
|
transforms
(1)
|
linux HostName
(1)
|
压缩
(1)
|
多输入多输出
(1)
|
|
Transformer
(1)
|
linux Getway
(1)
|
形象
(1)
|
多尺度锚框
(1)
|
|
tqdm
(1)
|
linux DNS
(1)
|
小波分析
(1)
|
对数
(1)
|
|
torchvision
(1)
|
linux 防火墙
(1)
|
箱线图
(1)
|
读写文件
(1)
|
|
torch.zeros_like
(1)
|
LeNet代码
(1)
|
线性模型
(1)
|
读论文
(1)
|
|
torch.stack()
(1)
|
Lenet QA
(1)
|
线性回归的简洁实现
(1)
|
动手学深度学习
(1)
|
|
torch.range()
(1)
|
LeNet
(1)
|
线性回归
(1)
|
丢弃法
(1)
|
|
torch.randn()
(1)
|
L2范数
(1)
|
线性规划问题的标准形
(1)
|
典式
(1)
|
|
torch.rand()
(1)
|
L2惩罚项
(1)
|
线性规划问题的“解”
(1)
|
底层逻辑
(1)
|
|
torch.ones_like
(1)
|
Kaggle 树叶分类比赛
(1)
|
线性规划问题
(1)
|
导数
(1)
|
|
torch.normal()
(1)
|
jupyter内核连接问题
(1)
|
显卡并行
(1)
|
单机多卡
(1)
|
|
torch.no_grad
(1)
|
jupyter快速查看函数使用方法
(1)
|
物体检测算法
(1)
|
单纯性表
(1)
|
|
torch.nn.MSELoss()
(1)
|
jupyter notebook默认浏览器
(1)
|
无鼠标打开Windows设备管理
(1)
|
单纯形法
(1)
|
|
torch.linespace()
(1)
|
iterrows()
(1)
|
文件操作
(1)
|
大M法
(1)
|
|
torch.from_numpy
(1)
|
ImageNet dogs
(1)
|
微调代码
(1)
|
大数据分布式网络配置
(1)
|
|
torch.clamp()
(1)
|
ICDAR2013
(1)
|
微调
(1)
|
词向量
(1)
|
|
torch.cat()
(1)
|
Homebrew镜像源
(1)
|
图像增强
(1)
|
词嵌入
(1)
|
|
torch.arange()
(1)
|
GPU训练
(1)
|
图像分类(CIFAR-10)
(1)
|
初始可行基
(1)
|
|
TensorDataset
(1)
|
GPU分布式
(1)
|
图解法
(1)
|
稠密连接网络
(1)
|
|
tensorboard调参
(1)
|
GPT3
(1)
|
通道格式
(1)
|
池化层实现
(1)
|
|
tensor shape
(1)
|
GPT
(1)
|
填充
(1)
|
池化层
(1)
|
|
systolic array
(1)
|
GloVe
(1)
|
梯度裁剪
(1)
|
池化参数默认值
(1)
|
|
systemctl设置开机启动
(1)
|
Github开源项目国内镜像
(1)
|
梯度
(1)
|
残差网络
(1)
|
|
SVN
(1)
|
GitHub setup.py
(1)
|
特征解耦
(1)
|
参数管理
(1)
|
|
SummaryWriter()
(1)
|
Github
(1)
|
损失函数
(1)
|
步长
(1)
|
|
strip
(1)
|
Git配置
(1)
|
思想记录
(1)
|
并行网络
(1)
|
|
str.strip()
(1)
|
Git镜像源
(1)
|
思考记录
(1)
|
编码器
(1)
|
|
str.replace()
(1)
|
Git基本操作命令
(1)
|
双向循环神经网络
(1)
|
闭包
(1)
|
|
SSH免密码登录
(1)
|
Git工作原理
(1)
|
双线性差值
(1)
|
1*1卷积
(1)
|
|
SSH别名
(1)
|
Git创建及克隆
(1)
|
数值稳定性QA
(1)
|
@wraps
(1)
|
|
split("/")[-1]
(1)
|
Git必要配置
(1)
|
数值稳定性+模型初始化和激活函数
(1)
|
@staticmethod和@classmetho
(1)
|
|
Solving environment: failed with initial frozen
(1)
|
Git安装
(1)
|
数据增强
(1)
|
@staticmethod
(1)
|
|
softmax简洁实现
(1)
|
Git
(1)
|
数据增广
(1)
|
@property
(1)
|
|
softmax回归
(1)
|
getitem(self,n)
(1)
|
束搜索
(1)
|
.sh文件
(1)
|
|
Softmax从零实现
(1)
|
get_dummies()
(1)
|
枢轴元转轴
(1)
|
，torch.as_tensor()
(1)
|
|
sklearn
(1)
|
functools
(1)
|
使用GPU
(1)
|
，pytorch梯度
(1)
|
|
Skip-Gram
(1)
|
Full卷积、Same卷积、Valid卷积、带深度的一维卷积
(1)
|
使用注意力机制的seq2seq
(1)
|
，np.random.RandomState()
(1)
|
|
Simultaneous Hyperameter Testing
(1)
|
FPGA
(1)
|
使用块的VGG
(1)
|
，log
(1)
|
|
set_index
(1)
|
fork
(1)
|
实体完整性
(1)
|
，filter
(1)
|
|
selinux
(1)
|
flatten()
(1)
|
深层循环神经网络
(1)
|
，长短时记忆网络
(1)
|
|
RPN
(1)
|
fillna("missing")
(1)
|
上下文管理器
(1)
|
|
ROI
(1)
|
Feature Disentangle（特征解耦）
(1)
|
三范式
(1)
|
|
RNN实现
(1)
|
FCN
(1)
|
让训练更加稳定
(1)
|
浙公网安备 33010602011771号