googleEfficientDet算法中文版paper.将高效网络骨架与我们提出的BiFPN和复合尺度相结合，我们开发了一种新的对象检测器家族，称为高效Det，它始终以比以前的对象检测器更少的参数和FLOP来获得更好的精度。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。
图和图形显示COCO数据集上的性能比较。
在类似的精度约束下，我们的有效DET使用的FLOP比YOLOv3少28倍，FLOP比RetinaNet少30倍，FLOP比最近基于ResNet的NAS-FPN少19倍。
特别是，在单模型和单测试时间尺度下，我们的高效Det-D7实现了最先进的53.7AP和52M参数和325BFLOP，在1.5AP的情况下优于以前最好的检测器，而在4倍小和使用13倍少的FLOP。
我们的高效DET在GPU/CPU上也比以前的检测器快4倍至11倍。
2023/7/30 7:35:17
559KB
1
该工具箱主要用于商业用Matlab软件包使用。
Matlab的工具箱已经在不同的计算机体系结构编译和测试，包括Linux和Windows。
大部分函数可以处理的数据集可高达20，000或更多点的数据。
LS-SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术和贝叶斯框架的更先进的版本。
Matlab的工具箱已经在不同的计算机体系结构编译和测试，包括Linux和Windows。
大部分函数可以处理的数据集可高达20，000或更多点的数据。
LS-SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术和贝叶斯框架的更先进的版本。
2023/7/30 3:43:08
1.49MB
1
yelp_review_full_csv数据集，是Yelp为了学习目的而发布的一个开源数据集。
它包含了由数百万用户评论，商业属性这是一个非常常用的全球NLP挑战数据集。
训练集总共650,000，测试集50,000，一共5个分类，每一种各有130,000训练样本，10,000个测试样例。
它包含了由数百万用户评论，商业属性这是一个非常常用的全球NLP挑战数据集。
训练集总共650,000，测试集50,000，一共5个分类，每一种各有130,000训练样本，10,000个测试样例。
2023/7/29 7:34:58
187.06MB
1
本源码是阿里天池大赛的matlab实现源码，内含4个.m文件以及对应的数据集，属于个人在比赛过程中写下的部分核心代码，予以公开分享~
2023/7/28 22:37:14
178KB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
基于Kaggle竞赛数据，原始数据文件较大，故本数据集只选用了train.csv中的5万条样本作为模型训练集（train.csv.gzip），1万条样本作为模型测试集（test.csv.gzip）
2023/7/27 14:19:52
37.29MB
1
基于wifi指纹的室内定位，使用knn算法实现。
数据集来自六个ap的信号强度，最终的定位准确度可以达到接近于60%，具体的代码实现和算法说明以及系统的优缺点在论文中有详细阐述。
数据集来自六个ap的信号强度，最终的定位准确度可以达到接近于60%，具体的代码实现和算法说明以及系统的优缺点在论文中有详细阐述。
2023/7/27 12:39:14
3.33MB
1
LDA贝叶斯算法实现的电商行业商品评论与情感分析案例，数据集主要涉及‘美的’品牌的评论
2023/7/27 7:21:15
8.95MB
1
该数据集包含了1,600,000条从推特爬取的推文，可用于情感分析相关的训练。
该数据集包含两个数据文件：测试集（test）和训练集（training）数据文件没有包含heading，从左到右分别是：（1）推文标注（polarity）：0=负面，2=中立，4=正面（2）推文的id（3）时间：SatMay1623:58:44UTC2009（4）Query(lyx)，如果没有query，数值为NO_QUERY.（5）发推的用户：robotickilldozr（6）推文内容
该数据集包含两个数据文件：测试集（test）和训练集（training）数据文件没有包含heading，从左到右分别是：（1）推文标注（polarity）：0=负面，2=中立，4=正面（2）推文的id（3）时间：SatMay1623:58:44UTC2009（4）Query(lyx)，如果没有query，数值为NO_QUERY.（5）发推的用户：robotickilldozr（6）推文内容
2023/7/27 4:48:01
86.3MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB