【大作业-03】手把手教你用tensorflow2.3训练自己的分类数据集
本教程详细介绍了如何使用TensorFlow 2.3训练自定义图像分类数据集，涵盖数据集收集、整理、划分及模型训练与测试全过程。提供完整代码示例及图形界面应用开发指导，适合初学者快速上手。[教程链接](https://www.bilibili.com/video/BV1rX4y1A7N8/)，配套视频更易理解。
【大作业-02】水果蔬菜识别系统-基于tensorflow2.3开发
2021年6月18日，TensorFlow 2.3物体分类代码已修复并更新。本项目支持自定义数据集训练，包括基于CNN和Mobilenet的模型，后者准确率高达97%。提供了详细的CSDN教程、B站教学视频及数据集下载链接，帮助用户快速上手。项目还包括PyQt5构建的图形界面，方便用户上传图片进行果蔬识别。更多详情与代码可在Gitee获取。
聊一聊计算机视觉中常用的注意力机制以及Pytorch代码实现
本文介绍了几种常用的计算机视觉注意力机制及其PyTorch实现，包括SENet、CBAM、BAM、ECA-Net、SA-Net、Polarized Self-Attention、Spatial Group-wise Enhance和Coordinate Attention等，每种方法都附有详细的网络结构说明和实验结果分析。通过这些注意力机制的应用，可以有效提升模型在目标检测任务上的性能。此外，作者还提供了实验数据集的基本情况及baseline模型的选择与实验结果，方便读者理解和复现。
NVIDIA Triton系列09-为服务器添加模型
本文介绍了如何为NVIDIA Triton模型仓库添加新模型。通过示例模型`inception_graphdef`的配置文件`config.pbtxt`，详细解释了模型名称、平台/后端名称、模型执行策略、最大批量值、输入输出节点及版本策略等配置项。内容涵盖了模型的基本要素和配置细节，帮助读者更好地理解和使用Triton服务器。
深度学习笔记(十四):Transormer知识总结
关于深度学习中Transformer模型的知识总结，涵盖了Self-attention机制、QKV、Multi-head attention、位置编码和并行运算等关键概念，以及如何在PyTorch中实现Self-attention。