手撕AE(自编码器) -- Day1 -- dataset

最新推荐文章于 2025-04-03 20:03:59 发布
最新推荐文章于 2025-04-03 20:03:59 发布
阅读量468 收藏 4
点赞数 7
分类专栏： 手撕AE系列模型 文章标签： 深度学习 人工智能 算法 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_62030579/article/details/145431475
版权
最低0.47元/天 解锁文章
手撕VAE(变分自编码器) -- Day1 -- dataset
m0_62030579的博客
02-08 998
手撕VAE(变分自编码器) – Day1 – dataset
手撕AE(自编码器) -- Day2 -- AE.py
m0_62030579的博客
02-06 473
手撕AE(自编码器) – Day2 – AE.py
手撕AE(自编码器) -- Day4 -- predict.py
m0_62030579的博客
02-07 421
手撕AE(自编码器) – Day4 – predict.py
手撕VAE(变分自编码器) -- Day4 -- predict.py
m0_62030579的博客
02-09 1833
# 手撕VAE(变分自编码器) -- Day4 -- predict.py
手撕VQVAE(向量量化变分自编码器) -- Day3 -- train.py
m0_62030579的博客
02-11 891
手撕VQVAE(向量量化变分自编码器) -- Day3 -- train.py
手撕VQVAE(向量量化变分自编码器) -- Day2 -- VAVAE.py
m0_62030579的博客
02-10 2539
手撕VQVAE(向量量化变分自编码器) -- Day2 -- VAVAE.py
手撕AE(自编码器) -- Day3 -- train.py
m0_62030579的博客
02-07 637
手撕AE(自编码器) – Day3 – train.py
手撕VQVAE(向量量化变分自编码器) -- Day1 -- dataset
m0_62030579的博客
02-10 672
手撕VQVAE(向量量化变分自编码器) -- Day1 -- dataset
手撕VAE(变分自编码器) -- Day2 -- VAE.py
m0_62030579的博客
02-08 1244
手撕VAE(变分自编码器) -- Day2 -- VAE.py
基于卷积神经网络CNN实现电力负荷多变量时序预测(PyTorch版)
时序笔记
04-03 349
随着智能电网的发展，精准的电力负荷预测对能源调度和电网稳定具有重要意义。本文基于PyTorch框架，提出一种基于卷积神经网络（CNN）的多变量时间序列预测模型，用于电力负荷的短期预测。
深度学习四大核心架构：神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）与Transformer全概述
gorgor在码农
03-26 1589
NN → 类比：盲人摸象，每个神经元独立感知全局特征 → 局限：输入图像需展平为向量，丢失空间信息（如将28x28图片变成784维向量）CNN → 类比：人类视觉系统，先识别边缘→形状→物体 → 实战：用3x3卷积核扫描猫的图片，提取耳朵、胡须等局部特征RNN → 类比：阅读理解，需记住前文才能理解后文 → 痛点：输入句子“The cat sat on the mat”，到第6个单词时可能已遗忘“cat”Transformer → 类比：团队协作，每个单词直接关注全局上下文 → 优势：处理句
深度学习处理文本（9）
yyc的博客
04-03 1055
比如在机器翻译中，查询是目标序列，键和值则都是源序列：对于目标序列中的每个元素（如“tiempo”​）​，你都希望回到源序列（​“How’s the weather today?当然，如果你只做序列分类，那么查询、键和值这三者是相同的：将一个序列与自身进行对比，用整个序列的上下文来丰富每个词元的表示。​“多头”是指：自注意力层的输出空间被分解为一组独立的子空间，对这些子空间分别进行学习，也就是说，初始的查询、键和值分别通过3组独立的密集投影，生成3个独立的向量。搜索引擎会将你的查询和数据库中的键进行对比。
深度学习-152-综述之大模型蒸馏技术的简介
qq_20466211的博客
03-31 39
知识蒸馏(Knowledge Distillation，简称KD)是由AI领域的三位大佬Geoffrey Hinton、Oriol Vinyals和Jeff Dean在2015年提出的技术，旨在通过将复杂教师模型的知识迁移到较简单的学生模型中，使学生模型在保持高性能的同时，能够实现更小的模型规模和更快的推理速度。
使用卷积神经网络识别MNIST数据集
m0_49586319的博客
03-31 350
Pytorch构建CNN模型，识别MNIST数据集
【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
JNLWLAQ的博客
04-01 1427
【Deepseek、ChatGPT】智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
RNN模型与NLP应用——（7/9）机器翻译与Seq2Seq模型
yjc060228的博客
03-31 1149
机器翻译——Sequence to Sequence模型介绍，详细讲解Seq2Seq模型底层逻辑，以及实现过程
研究下适合部署在jeston上的深度学习类单目标跟踪算法
weixin_43745234的博客
04-03 500
单目标跟踪（Single Object Tracking, SOT）是计算机视觉中的核心任务，主要用于无人机、自动驾驶、智能监控等领域。✅ 适用于目标外观变化较大的场景，如光照变化、形变等。✅ 强大的目标建模能力，适用于长时间跟踪任务。✅ 适用于复杂环境，如低光照、背景干扰等情况。✅ 兼顾高精度与计算效率，适用于资源受限设备。✅ 适用于嵌入式部署，如 Jetson 平台。✅ 具有较好的自适应能力，适合复杂跟踪任务。✅ 目标定位精度较高，适用于小目标跟踪。✅ 适用于长时间跟踪任务，鲁棒性强。
# 使用 Dlib 和 OpenCV 实现基于深度学习的人脸检测
最新发布
www_pp_的博客
04-03 769
本文介绍了如何使用Dlib的CNN人脸检测器结合OpenCV实现高效准确的人脸检测。通过加载预训练的模型文件，可以轻松地在图像中检测到人脸，并使用OpenCV进行可视化。这种方法在实际应用中具有很高的实用性和准确性，特别适用于需要高精度人脸检测的场景。如果你对人脸检测或深度学习感兴趣，欢迎继续探索Dlib和OpenCV的更多功能，或者尝试使用其他深度学习框架（如TensorFlow或PyTorch）实现更复杂的人脸检测和识别任务。
VectorBT：使用PyTorch+LSTM训练和回测股票模型 进阶四
船长@Quant的博客
03-30 1402
本方案设计了一个基于PyTorch和LSTM的短期交易模型，支持多股票增量数据训练和单股数据回测。该模型利用了时间序列预测、特征工程、超参数优化以及回测等技术手段，以实现高效的交易策略生成和评估。
Python大数据处理实战：使用dataset-master数据集
而“dataset-master”正是为学习者提供了一个这样的平台。它汇集了各种类型的数据集，从基础的鸢尾花分类数据集到复杂的航班数据集，再到具体的社会科学领域的地震统计数据集等等。数据集的多样性为学习者提供了广泛...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值