愉快的李长安

​ 1. 准备工作 1.1 环境安装  1.2 Hugging Face Space 注册和登录 2. 如何训练 2.1 上传图片  2.2 训练参数调整  2.3 可视化训练过程  2.4 挑选满意

基于飞桨在MNIST数据集分类提升准确率到0.985以上实践 本实践通过尝试数据增强、更换优化器、学习率等各种办法来提高准确率。 1.导入库 2.data_process.py数据处理 主要是导入飞桨

通过引入自由度 k，损失可以更好的拟合数据的不同分布。当数据存在多分布或类别分布不均衡的时候，最小化平均损失会牺牲掉小类样本以达到在整体样本集上的损失最小；

基于 Dropout 的这种特殊方式对网络带来的随机性，研究员们提出了 R-Drop 来进一步对（子模型）网络的输出预测进行了正则约束。论文通过实验得出一种改进的正则化方法R-dropout

当感光元件像素的空间频率与影像中条纹的空间频率接近时，可能产生一种新的波浪形的干扰图案，即所谓的摩尔纹。

百度飞桨黑客马拉松第三期--Laplace分布算子开发经验分享，回顾API的开发过程，并总结不足与经验

模型参数EMA理论详解与实战（Paddle版本）使用EMA（指数移动平均）这个方法对模型的参数做平均，以求提高测试指标并增加模型鲁棒。

2022脑机接口算法挑战赛：脑纹识别比赛基线 方案分享提出了一种双分支网络，首先將脑纹信号进行离散小波变换，将脑纹信号拆解为两个函数，分别入对应的网络通路，

Split to Be Slim: An Overlooked Redundancy in Vanilla Convolution 论文复现