张士玉小黑屋

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达为了提高模型在小物体上的性能，我们建议使用以下技术：提高图像捕获分辨率提高模型的输入分辨率平铺图像通过扩充生成更多数据自动学习模型锚过滤掉多余的类为什么小目标问题很难？小物体问题困扰着全世界的物体检测模型，查看最新模型YOLOv3、EfficientDet和YOLOv4的COCO评估结果：查看AP_S、AP_M、AP_L以获取最先进的模型。例如，在EfficientDet中，小物体的AP

        TensorRT是Nvidia为了加速基于自家GPU训练模型的推理而设计的，当我们将模型训练好后，TensorRT可以直接对模型进行网络层的一一对应，从而加速比较大模型的推理部署。最近使用TensorRT加速了一些模型，我将用两篇文章对使用过程和其中遇到的坑进行记录说明。本篇文章将对通用模型的TensorRT转换进行一个记录，对transformer类模型的转换我们将在下一篇文章进行记录。本文记录的安装基于TensorRT6.0。1、TensorRT的安装1.1官网下载安装包    首先，我们可以到nvidia官网的tensor

高斯混合模型GMM（GaussianMixtureModel）1.模型介绍2.极大似然估计MLE（MaximumLikelihoodEstimate）3.EM求解（Expectation-MaximizationAlgorithm）(1)EM算法（期望最大算法）公式与收敛性(2)E-step(3)M-step总结1.模型介绍高斯——高斯分布从概率密度估

相关资料：这是一个C++based的画图工具，效率应该能保证crypto_monitor这是一个交易框架，应该比较全面，看这个2.4K的星星Krypto-trading-bot关于AS模型的介绍，我之前写过一篇博客，链接在这里：量化投资模型——高频交易AS模型相关（Avellaneda&Stoikov’s）一个C++实现的模型

Java程序员学深度学习DJL上手5训练自己的模型一、准备环境二、创建示例项目三、准备数据集四、创建模型五、创建训练器1.训练器配置2.初始化训练器3.训练模型4.保存模型六、源代码1.pom2.java一、准备环境windowsideamaven二、创建示例项目三、准备数据集intbatchSize=32;Mnistmnist=Mnist.builder().setSampling(batchSize,true).build(

今天要介绍的工具是MLflow，该工具可分为4个模块，第一个是MLflowTracking，用于记录和查询实验结果，包含代码、数据、配置等，第二个是MLflowProjects，用于打包代码以实现在任意平台上的重复运行，第三个是MLflowModels，用于在各种各样的环境下部署机器学习模型，第四个是ModelRegistry，用于存储、标记、探索、管理模型。

这是一篇ICCV2021的文章，提出了一种新的知识蒸馏方式(HolisticKnowledgeDistillation)原文链接代码链接Figure1为Individual、Relational、HolisticKnowledgeDistillation三种不同的知识蒸馏方式的区别.这里根据RelationalKnowledgeDistillation解读以及RelationalKnowledgeDistillation简单介绍一下这几种知识蒸馏方式的区别：先

目录一.流程总览（本文主要是红框部分）二.特征处理部分1.总体概述 1.1一些常见问题2.具体处理（具体顺序看上面红框）2.1缺失值处理（删or填）2.2数据格式处理（数据集划分,时间格式等）2.3数据采样（过采样or下采样，不均衡时候用）2.4数据预处理（把原数据转更好用形式→标准,归一,二值）2.5特征提取（把文字转为可以用的→字典,中英文,DNA,TF）2.6降维（过滤(低方

需要ImageNet-1k数据集的来这篇博文:https://blog.csdn.net/qq_39377134/article/details/103128970但是要准备好240GB大小的磁盘空间哈，因为数据集压缩包是120GB多一些。本文是关于ResNet-50在ImageNet上的实验研究，目前的话，实验数据集分别是ImageNet-240和ImageNet-1k，其中前者是后者的一个子集。接下来直接上实验结果吧&

2020年底，微软亚洲研究院正式发布了AI量化投资开源平台“微矿Qlib”。这是微软亚洲研究院成立“创新汇”三年以来，在与金融行业的成员企业合作研究的基础之上，打造的AI+金融跨界创新的阶段性重要成果，通过创建一个通用的技术平台，帮助实现量化投资流程的AI闭环。Qlib涵盖了量化投资的全过程，为用户的AI算法提供了高性能的底层基础架构，从框架设计上让用户可以更容易地应用AI算法来辅助解决量化投资的各个关键问题（例如Alpha预测，风险预测，市场动态性建模）。