- 2025-01-05训练基于Transformer的翻译任务模型
- 2025-01-05PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估
在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。其实这种观点存在根本性的谬误。研究表明，黑盒
- 2025-01-04Transformer学习与基础实验1——注意力机制
前置概念 自然语言处理（NLP）中，根据任务内容的不同，句子、段落等文本中需要更加关注的部分（不同的词语、句子等）也会不同。 在判断词在句子中的重要性时便使用了注意力机制，可以通过注意力分数来表达某个词在句子中的重要性，分数越高，说明该词对完成该任务的重
- 2024-12-31CEF4Delphi for lazarus在gtk3可以输入中文
CEF4Delphiforlazarus在gtk3可以输入中文：测试环境：树莓派5（aarch64）CEF4Delphi-104.0.5112.102lazarus4.0RC1 fpc3.3.11)系统安装gtk3:sudoaptinstalllibgtk-3-dev2)修改cef源码打开uCEFLinuxFunctions.pas将Gdk3_library改为ibgtk-3.so.0(红色代码部分)functiongdk
- 2024-12-28图像分割 - Mask R-CNN模型在COCO数据集上的应用
图像分割-MaskR-CNN模型在COCO数据集上的应用介绍图像分割是计算机视觉中的一种基本任务，旨在将图像划分为不同的区域，并对每个区域进行标记。MaskR-CNN是一种流行的图像分割算法，它扩展了FasterR-CNN，通过增加一个用于预测对象掩码的分支，从而实现实例级的分割。应用使
- 2024-12-26集智书童 | MITA-YOLO: 一种改进的间接视觉 YOLOv8方法用于目标检测，很酷！
本文来源公众号“集智书童”，仅用于学术分享，侵权删，干货满满。原文链接：MITA-YOLO:一种改进的间接视觉YOLOv8方法用于目标检测！火势可能导致文化遗产建筑遭受严重破坏，因此及时的火警检测至关重要。传统的密集布线和钻孔可能对这些结构造成损害，因此减少摄像头的数量以最小化这
- 2024-12-25Transformers 框架 Pipeline 任务详解（六）：填充蒙版（fill-mask）
在自然语言处理（NLP）领域，填空或填补句子中的缺失部分是一项重要的任务。它不仅考验了模型对语言的理解能力，还展示了其生成合理且语义连贯的文本的能力。HuggingFace的Transformers框架通过其PipelineAPI提供了强大的fill-mask功能，允许开发者和研究者轻松构建并应用这种填空技
- 2024-12-25【AI8051U】第五节 - GPIO中断
【草履虫也想学会】AI8051U-五-GPIO中断一.前言二.AI8051U的中断资源中断的相关概念中断仲裁NVICAI8051U中断资源：三.GPIO中断什么是GPIO中断GPIO中断相关寄存器GPIO中断优先级GPIO中断使能GPIO中断请求GPIO中断模式GPIO掉电唤醒中断四.GPIO中断运用GPIO中断配置中
- 2024-12-244.3 类型转换实例
【例4.5】将图像从BGR模式转换为RGB模式。importcv2importnumpyasnplena=cv2.imread("/Users/zhaofeier/Desktop/lenacolor.png")rgb=cv2.cvtColor(lena,cv2.COLOR_BGR2RGB)cv2.imshow("lena",lena)cv2.imshow("rgb",rgb)cv2.waitKey()
- 2024-12-24RT-DETR学习笔记（1）
视频教程：RT-DETR｜2、backbone_哔哩哔哩_bilibili 一、图像预处理经过图像预处理、图像增强后的图片尺寸都为640*640超参数multi_scale设置了不同的尺寸sz是经过对multi-scale随机选择得到的一个尺寸，这里假设是576则640*640图像会通过双线性插值（interpolate）方法resize到576*
- 2024-12-24如何批量给png透明图片添加白色描边
`fromPILimportImage,ImageOps,ImageFilterimportosdefadd_border_to_image(image_path,output_path,border_size=2):#打开图片image=Image.open(image_path)#确保图片是RGBA模式（带有透明通道）ifimage.mode!='RGBA':image=image.convert('RGBA')
- 2024-12-23巧用mask属性创建一个纯CSS图标库
说明mask是CSS中的一个属性，它允许开发者在元素上设置图像作为遮罩层。这个属性的强大之处，在于它可以接受多种类型的值，包括关键字值、图像值、渐变色，甚至可以设置多个属性值。SVG（ScalableVectorGraphics，可缩放矢量图形）是一种基于XML的图像格式，用于定义二维图形。与传统的位
- 2024-12-18模型参数量计算（以transformer为例）
前言模型中常见的可训练层包括卷积层和线性层，这里将给出计算公式并在pytorch下进行验证。计算模型的参数：importtorch.nnasnndefcal_params(model:nn.Module):num_learnable_params=sum(p.numel()forpinmodel.parameters()ifp.requires_grad)num_non_l
- 2024-12-17python实战（十一）——情感分析
一、概念 情感分析（SentimentAnalysis），也称为意见挖掘（OpinionMining），是自然语言处理（NLP）领域中的一个重要任务，广泛应用于舆情监控、市场调研、客户反馈分析等领域。它的目标是通过分析文本数据来识别和提取其中的情感信息。二、基于规则的情感分析
- 2024-12-17你有使用过mask属性吗？请说说它的用途
是的，我使用过CSS中的mask属性，这一属性在前端开发中非常有用，它允许开发者通过遮罩或者裁切特定区域的图片来隐藏一个元素的部分或者全部可见区域，从而创造出各种独特的视觉效果。具体来说，mask属性的用途包括：图形裁剪：通过mask属性，可以轻松地对图片或元素进行裁剪，只显示需要的部分
- 2024-12-15整数顺序分解
对于整数的顺序分解我们需要1，首先将每个位上的数分离，也就用【n/位数=mask】例如156要提出百位上的数就除以100就在电脑中得到了1，所以我们第一步数输入的数（n），位数一共有多少（X1）位，然后将我们需要分解的数（n）放入循环中利用【n/X1=该位的数】每次得到每一位数后。2，然后将（X1）其除以1
- 2024-12-10【深度学习】深刻理解BERT
BERT（BidirectionalEncoderRepresentationsfromTransformers）是由Google于2018年提出的一种预训练的语言表示模型，它基于Transformer架构并能够处理自然语言处理（NLP）中的多种任务。BERT的核心创新是其使用了双向编码器的思想，相比于之前单向的语言模型（如GPT），BERT
- 2024-12-06数组 - 八皇后 - 困难
*************C++topic: 面试题08.12.八皇后-力扣（LeetCode）*************Goodmorning,gays,Fridaryanginandtrythehardtocelebrate.Inspectthetopic:ThistopicIcanunderstanditinasecond. AndIdorethinkamovie,whichtalksanoutch
- 2024-12-06《DNK210使用指南 -CanMV版 V1.0》第四十二章 人脸口罩佩戴检测实验
第四十二章人脸口罩佩戴检测实验1）实验平台：正点原子DNK210开发板2）章节摘自【正点原子】DNK210使用指南-CanMV版V1.03）购买链接：https://detail.tmall.com/item.htm?&id=7828013987504）全套实验源码+手册+视频下载地址：http://www.openedv.com/docs/boards/k210/ATK-DNK210.html
- 2024-12-06商品展示滚动条及算法
1<!DOCTYPEhtml>2<htmllang="en">3<head>4<metacharset="UTF-8">5<title></title>6<style>7*{8margin:0;9padding:
- 2024-12-05托动进度条的制作
1<!DOCTYPEhtml>2<htmllang="en">3<head>4<metacharset="UTF-8">5<title>Title</title>6<style>7*{8margin:0;9padd
- 2024-12-05制作类似京东商城产品详细图的放大镜
源码如下：1<!DOCTYPEhtml>2<htmllang="en">3<head>4<metacharset="UTF-8">5<title></title>6<style>7*{8margin:0;9pad
- 2024-12-02去除分叉轮廓
去除分叉轮廓思路来源于https://blog.csdn.net/weixin_39639550/article/details/111624935，但是使用不同的方法进行实现，实际测试发现仅对特定轮廓有效，不具有通用性，仅供参考。示例代码importnumpyasnpimportcv2fromcopyimportdeepcopydefget_contour_remove_f
- 2024-12-01【0x0001】HCI_Set_Event_Mask详解
目录一、命令概述二、命令格式三、命令参数说明四、返回参数说明五、命令执行流程5.1.主机准备阶段5.2.命令发送阶段5.3.控制器接收与处理阶段5.4.事件过滤与反馈阶段5.5.主机处理（主机端）5.6.示例代码六、命令应用场景6.1.功耗优化场景6.2.性能优化场景6
- 2024-11-30T5模型口语化解析
引言 在自然语言处理（NLP）领域，T5（Text-to-TextTransferTransformer）代表了一种革命性的方法。它不仅继承了Transformer架构的强大能力，而且通过将所有任务转化为文本到文本的形式，简化了任务之间的迁移学习过程。这种统一的方法使得T5能够在翻译、问答、摘要生成