github：https://github.com/icey-zhang/SuperYOLO article：https://www.sfu.ca/~zhenman/files/J12-TGRS2023-SuperYOLO.pdf 环境： PyTorch 2.5.1 Python 3.12(ubun ...

本文作为AI可解释性系列的第一部分，旨在以汉语整理并阅读对抗攻击（Adversarial Attack）相关的论文，并持续更新。与此同时，AI可解释性系列的第二部分：归因方法（Attribution）也即将上线，敬请期待。 ...

摘要：本文详细记录了使用 PyTorch 从零搭建一个图像分类模型的过程，涵盖卷积神经网络（CNN）、数据预处理、模型设计、训练调试与优化。通过对 CIFAR-10 数据集的处理实践，结合经典文献和 2025 年最新研究趋势，深入探讨了技术细节，并辅以完整实践源码的过程和结论。我选择用 PyTorc ...

《Transformer自然语言处理实战》聚焦 Hugging Face Transformers 库，系统讲解 Transformer 模型在 NLP 任务中的应用。涵盖文本分类、命名实体识别、机器翻译等核心技术，并提供实践案例，帮助读者快速掌握模型微调与部署。适合 NLP 初学者及希望深入理解 ... ...

《Transformer自然语言处理实战》聚焦 Hugging Face Transformers 库，系统讲解 Transformer 模型在 NLP 任务中的应用。涵盖文本分类、命名实体识别、机器翻译等核心技术，并提供实践案例，帮助读者快速掌握模型微调与部署。适合 NLP 初学者及希望深入理解 ... ...

微积分笔记05：矩阵求导在深度学习中的应用 5.1 算法简述 设存在一张像素大小为\(\sqrt n \times \sqrt n\)的样本图片，即该图片总像素个数\(=n\) 现需采用神经网络对其进行识别，过程如下： （1）生成向量\(X_{1\times n}\)： 设存在向量\(X_{1\ti ...

本文分析《Communication-Efficient Learning of Deep Networks from Decentralized Data》，聚焦联邦学习在去中心化数据中的通信优化，探讨高效训练深度网络与数据隐私保护的方法。这不仅为AI与安全应用奠基，还为未来与区块链的融合提供潜力... ...

微积分笔记04：常见的矩阵求导运算 4.1 常规矩阵求导示例 4.1.1 求导示例1：\(f(x)=A_{m\times n}\cdot x_{n \times 1}\) \(\Rightarrow f'_{x^T}(x)=A_{m\times n}\) 如： \[A= \begin{bmatrix ...

微积分笔记03：多元函数的极值 3.1 多元函数存在极值的必要条件 设存在函数\(f(x,y)\)，若该函数在点\((x_0,y_0)\)处具有偏导数，则有： \[\tag{1} f(x,y)存在极值 \Rightarrow \begin{cases} f'_x(x_0,y_0)=0\\ f'_y( ...

微积分笔记02：多元函数的泰勒展开式&海森矩阵 2.1 二元函数的n阶泰勒展开式 设二维坐标系中存在点\((x_0,y_0)\)及其邻域内的某个点\((x_0+\Delta x,y_0+\Delta y)\) 设存在函数\(z=f(x,y)\)，且\(f(x,y)\)在点\((x_0,y_0)\)的 ...

设备端可离线不联网Android 人脸识别、动作及近红外IR活体检测、人脸图质量检测以及人脸搜索（1:N和M:N），快速集成实现人脸识别，人脸搜索功能 ...

微积分笔记01：方向导数与梯度 1.1 方向导数 1.1.1 方向导数引入 设二维坐标系中存在点\(P(x_0,y_0)\)，且存在某一方向\(l\)，\(l\)与\(x\)轴夹角为\(\alpha\)，\(l\)与y轴夹角为\(\beta\) 若点\(P\)沿方向\(l\)移动了t个单位距离后得到 ...

20.SVD分解及其应用 20.1 奇异值的概念 设存在复数矩阵\(A_{mn}\)，且\(R(A)=r\) 则对矩阵\((A^H\cdot A)_{nn}\)的特征值进行分析如下： 设存在n阶行向量\(x\)，则可将\((A^H\cdot A)_{nn}\)转换为二次型，可得： \[\qquad ...

依存结构 与编译器中的解析树类似，NLP中的解析树是用于分析句子的句法结构。使用的结构主要有两种类型——短语结构和依存结构。短语结构文法使用短语结构语法将词组织成嵌套成分。后面的内容会展开对它做更详细的说明。我们现在关注依存语法。 句子的依存结构展示了单词依赖于另外一个单词 (修饰或者是参数)。词与 ...

1. 全连接层 前文中我们讨论的几乎都是全连接层，也就是在层间，每个神经元都与前一层的所有神经元相连接，如图： 也就是每层的每个feature，都与前一层所有features相关联，是前一层所有features乘以一个权重矩阵W得来的。（这里为了简化理解，我们暂不考虑bias，activation ...

下载地址：https://pdfs.top/book/鸢尾花书系列：从加减乘除到机器学习.html。《鸢尾花书系列：从加减乘除到机器学习》是姜伟生博士编写的机器学习从入门到精通合集，旨在帮助读者从编程基础到机器学习掌握关键技能。每本书内容简洁，适合不同阶段的学习者，帮助读者快速上手并理解核心概念。豆... ...

19. 矩阵对角化-矩阵的正定性及其应用 19.1 矩阵的正定性 设存在二次型：\(f(x)=x^T\cdot A\cdot x\)，其中\(A\)为对称阵 19.1.1 定义 对于\(f(x)\)及\(A\)有： 正定/负定 \[若 f(x)>0且x\neq0，则对称阵A是正定的，且f(x)称为正 ...

下载地址：https://pdfs.top/book/鸢尾花书系列：从加减乘除到机器学习.html。《鸢尾花书系列：从加减乘除到机器学习》是姜伟生博士编写的机器学习从入门到精通合集，旨在帮助读者从编程基础到机器学习掌握关键技能。每本书内容简洁，适合不同阶段的学习者，帮助读者快速上手并理解核心概念。豆... ...

我们在上一篇博客中介绍了弃权学习的基本概念和方法，其中包括了针对多分类问题的单阶段预测器-拒绝器弃权损失L_{abst}。设l为在标签Y上定义的0-1多分类损失的代理损失，则我们可以在此基础上进一步定义弃权代理损失L。在上一篇博客中，我们还提到了单阶段代理损失满足的(H, R)-一致性界。不过，在上... ...

18. 矩阵对角化-二次型 18.1 二次方程的标准化思想 在解析几何中，对于二次曲线： \[ax^2+bxy+cy^2=1 \]若需将其标准化，则可通过坐标旋转变换： \[\begin{cases} x=x'cos\theta-y'sin\theta\\ y=x'sin\theta+y'cos\t ...