摘要： [TOC] > 相较于传统目标检测，DETR是一种纯端到端的网络。它不再需要NMS(非极大值抑制，用于去除多余的预测框)和生成anchor。首先，使用一个CNN抽取图片的特征，将这个特征拉平并加入位置编码信息；其次，将拉平后的特征送入Transformer的encoder学全局特征；然后，由deco 阅读全文

摘要： [TOC] > 本文根据传入的用户对电影的评分以及电影的类型数据，首先电影和用户作为图的点，根据电影的类型作为电影的特征，用户则通过embedding映射成向量作为特征，用户对电影的评分作为边，再通过torch_geometric把单向边转换为双向边，也就是异构图（点的类型多种，边的类型多种）。最后 阅读全文

摘要： [TOC] > 本文把每一件商品看做一个点，session_id表示用户，每个用户的浏览购买物品形成一张图。把每个点都embedding成128维的向量,构建网络结构（其中利用TopKPooling对图做下采样），一个图做一个分类结果，判断买没买（0/1）。 ### 1.查看数据 #### (1)数 阅读全文

摘要： [TOC] > 根据车辆行驶途中周围物体的变化，预测车辆行驶轨迹。数据集是"Argoverse" ，数据集包含高分辨率地图、传感器数据和车辆状态信息等多种数据类型。 "argoverse-api" 是一个由 Argo AI 公司开发的开源项目，它提供了一个 Python API，用于处理和分析 Ar 阅读全文

摘要： [TOC] > 本文分别利用全连接层/GCN层实现对2708篇论分（论文之间有引用关系，由此引入图神经网络）进行7分类的任务，通过对比知：利用全连接层的准确率为59%，利用GCN层的准确率为81% #### (1)数据预处理 ``` python from torch_geometric.datas 阅读全文

摘要： [TOC] > Swim Transformer是特为视觉领域设计的一种分层Transformer结构。Swin Transformer的两大特性是滑动窗口和层级式结构。 1.滑动窗口使相邻的窗口之间进行交互，从而达到全局建模的能力。 2.层级式结构的好处在于不仅灵活的提供各种尺度的信息，同时还因为 阅读全文

摘要： 目录1.数据处理(1)对每句话进行分词操作(2)对每句话进行编码操作2.创建模型(1)定义模型(2)构建BERT模型embedding层(3)词根据uncased_L-12_H-768_A-12预训练模型把8*128=1024个词映射成768维向量(4)加入额外编码特征（type_id）(5)加入位 阅读全文

摘要： 目录1.LSTM实现1.配置参数2.构建词典：每个字对应一个索引3.根据词典索引将字转换成索引4.导入embedding文件5.建立网络模型（embedding层、LSTM层、全连接层）6.训练网络7.测试及评估网络2.卷积网络（CNN）实现 RNN（递归神经网络）：前一时刻的特征会对后一时刻产生影 阅读全文

摘要： [TOC] > 本项目通过训练数据6552条，验证数据818条，通过迁移学习ResNet经典网络架构，实现对102种花的照片进行分类。流程：利用torchvision库中transforms模块进行数据的增强和预处理；然后调用torchvision库中的ResNet经典网络架构，用人家训练好的权重参 阅读全文

摘要： 本文基于PyTorch，搭建了神经网络，实现了对气温的预测。 (1)读入数据 features = pd.read_csv('temps.csv')#其中共348条数据，每条数据有9个特征 (2)预处理数据 处理时间数据 # 处理时间数据，方便操作 import datetime # 分别得到年，月 阅读全文