前言一、Resnet论文精读引入残差残差块ResNet50模型基本构成BN层Resnet50总体结构二、Resnet50代码复现完整代码前言如果说在CNN领域一定要学习一个卷积神经网络，那一定非Resnet莫属了。接下来我将按照：Resnet论文解读、Pytorch实现ResNet50模型两部分，进行讲解，博主也是初学者，不足之处欢迎大家批评指正。预备知识：卷积网络的深度越深，提取的特征越高级，性能越好，但传统的卷积神经网络随着层数深度的增加，会面临网络退化、梯度消失、梯度爆炸等问题，使得高层网络的性能反而不如浅层网络。卷积细节：将一个*(W,H,C)的3维矩阵*，输入卷积层，卷积步长stri

Semi-SupervisedDomainAdaptationwithSourceLabelAdaptation具有源标签适应的半监督域适应原文链接Abstract文章指出当前的半监督域适应（Semi-SupervisedDomainAdaptation,SSDA）方法通常是通过特征空间映射和伪标签分配将目标数据与标记的源数据对齐，然而，这种面向源数据的模型有时会将目标数据与错误类别的源数据对齐，导致分类性能降低。本文提出了一种用于SSDA的新型源自适应范式，该范式通过调整源数据以匹配目标数据，从而提高分类性能。文中所提出的模型可以有效清除源标签内的噪声，并在基准数据集上表现优于其他方法。1.

论文： End-to-EndObjectDetectionwithTransformers代码：官方代码DeformableDETR：论文  代码视频：DETR论文精读【论文精读】_哔哩哔哩_bilibili本文参考：山上的小酒馆的博客-CSDN博客端到端目标检测DETR        DETR（DEtectionTRansformer）是2020年5月发布在Arxiv上的一篇论文，可以说是近年来目标检测领域的一个里程碑式的工作。从论文题目就可以看出，DETR其最大创新点有两个：end-to-end（端到端）和引入Transformer。  目标检测任务，一直都是比图片分类复杂很多，因为需要预

LanguageModelsareFew-ShotLearners前言Abstract1.Introduction2.Approach2.1ModelandArchitectures2.2TrainingDataset2.3TrainingProcess2.4Evaluation3.Results3.1LanguageModeling,Cloze,andCompletionTasks3.2ClosedBookQuestionAnswering3.3Translation4.MeasuringandPreventingMemorizationOfBenchmarks5.Limitations6.

Deeplabv3+是Deeplab系列最后一个网络结构，也是基于空洞卷积和多尺度系列模型的集大成者。相较于Deeplabv3，v3+版本参考了UNet系列网络，对基于空洞卷积的Deeplab网络引入了编解码结构，一定程度上来讲，Deeplabv3+是编解码和多尺度这两大系列网络的一个大融合，在很长一段时间内代表了自然图像语义分割的SOTA水平的分割模型。提出Deeplabv3+的论文为Encoder-DecoderwithAtrousSeparableConvolutionforSemanticImageSegmentation，至今仍然是最常用的一个语义分割网络模型。对于语义分割问题，尽管

ImprovingLanguageUnderstandingbyGenerativePre-Training前言Abstract1.Introduction2.Approach2.1TrainingDataset2.2InputRepresentation2.3Model3.Experiments3.1LanguageModeling3.2Children'sBookTest3.3LAMBADA3.4WinogradSchemaChallenge3.5ReadingComprehension3.6Summarization3.7Translation3.8QuestionAnswering4.

WebShop:TowardsScalableReal-WorldWebInteractionwithGroundedLanguageAgents面向可扩展的基于语言引导的真实世界网络交互链接：https://arxiv.org/abs/2207.01206摘要：现有的用于在交互环境中引导语言的基准测试要么缺乏真实世界的语言元素，要么由于数据收集或反馈信号中涉及大量人类参与而难以扩展。为了弥合这一差距，我们开发了WebShop——一个模拟的电子商务网站环境，拥有118万个真实世界的产品和12,087个众包文本指令。给定一个指定产品要求的文本指令，代理需要导航多种类型的网页并发出各种操作来查找、

b站源视频（视频理解论文串讲（上）【论文精读】）：https://www.bilibili.com/video/BV1fL4y157yA/0前言视频里将视频理解分四大方向：1，hand-crafted-->cnn2，two-stream3，3Dcnn4，videotransformer1DeepVideocvpr14论文pdf：Large-scaleVideoClassificationwithConvolutionalNeuralNetworksDeepVideo是在Alexnet出现之后，在深度学习时代，使用超大规模的数据集，使用比较深的卷积神经网络去做的视频理解（DeepVideo是处理

b站源视频（视频理解论文串讲（上）【论文精读】）：https://www.bilibili.com/video/BV1fL4y157yA/0前言视频里将视频理解分四大方向：1，hand-crafted-->cnn2，two-stream3，3Dcnn4，videotransformer1DeepVideocvpr14论文pdf：Large-scaleVideoClassificationwithConvolutionalNeuralNetworksDeepVideo是在Alexnet出现之后，在深度学习时代，使用超大规模的数据集，使用比较深的卷积神经网络去做的视频理解（DeepVideo是处理

ChatPDF最近比较火，上传PDF文件后，即可通过问答的方式让他帮你总结内容，比如让它帮你概括核心观点、询问问题，或者做观点判断。背后用到了几个比较时髦的技术，还好有ChatGPTforYOUROWNPDFfileswithLangChain解释了背后的原理，我觉得非常精彩，因此记录下来并做一些思考，希望可以帮到大家。技术思路概括由于GPT非常强大，只要你把PDF文章内容发给他，他就可以解答你对于该文章的任何问题了。--全文完。等等，那么为什么要提到langChain与vectordataBase？因为PDF文章内容太长了，直接传给GPT很容易超出Token限制，就算他允许无限制的Token