anaconda3安装教程及更改默认环境保存路径
anaconda安装详细教程及更改默认环境保存路径
服务器GPU性能测试流程
PCIe 3.0的每个通道为1GB/s，PCIe 4.0的每个通道的理论带宽是2GB/s，x16插槽有16个通道，因此理论总带宽为32GB/s，实际带宽通常会受到各种因素的影响，包括硬件性能、系统负载和传输模式。这是一个简单的测试程序，测试为GPU显存与服务器内存间双向带宽测试，包括Host To
【文本摘要（2）】pytorch之Seq2Seq
本代码已跑通，若有问题欢迎留言，一起交流探讨注释部分结合之前改废的代码加的，方便自己理解如有理解不对的地方，还请过路的大佬们指点一二
ubuntu22安装cuda12.3、cudnn8.9.6及NVIDIA TAO TOOLKIT
ubuntu22搭建nvidia tao toolkit开发环境，保姆级教程。
基于深度学习的钢板表面缺陷识别技术介绍与实践
钢板表面缺陷检测技术,深度学习，resnet
ResNet18实现——MNIST手写数字识别(突破0.995)
简单的CNN实现——MNIST手写数字识别该部分首先对我前面的工作进行了改进，然后以此为基础构建ResNet18去实现MNIST手写数字识别。1.利用nn.Sequential（）自定义块结构，增加可读性和方便修改、复用。2.增加 nn.BatchNorm2d() 加快收敛。3.改用nn.Flatt
合合TextIn团队发布 - 文档图像多模态大模型技术发展、探索与应用
合合信息TextIn（Text Intelligence）团队在2023年12月31日参与了中国图象图形学学会青年科学家会议 - 垂直领域大模型论坛。在会议上，丁凯博士分享了文档图像大模型的思考与探索，完整阐述了多模态大模型在文档图像领域的发展与探索，并表达了对未来发展路径和应用场景潜力的看法。
YOLOv8改进 | 主干篇 | RevColV1可逆列网络（特征解耦助力小目标检测）
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，目前本专栏免费阅读(暂时，大家尽早关注不迷路~)如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新
【2023 · CANN训练营第二季】昇腾AI入门课（Pytorch)
课程先介绍了全站全场景的框架（如图）昇腾计算语言接口AscendCL高度抽象：算子编译、加载、执行的API归一，相比每个算子一个API，AscendCL大幅减少API数量，降低复杂度。向后兼容：AscendCL具备向后兼容，确保软件升级后，基于旧版本编译的程序依然可以在新版本上运行。零感知芯片：一套
医学图像去噪 -----EDCNN
本文提出了一种新的基于稠密连通卷积结构的去噪模型，即基于边缘增强的稠密连通网络(EDCNN)。 通过设计的基于可训练Sobel算子的边缘增强模块，该方法能够自适应地获取输入图像更丰富的边缘信息。 此外，我们还引入了复合损失函数，它是MSE损失和多尺度感知损失的加权融合。
使用pytorch构建图卷积网络预测化学分子性质
在本文中，我们将通过化学的视角探索图卷积网络，我们将尝试将网络的特征与自然科学中的传统模型进行比较，并思考为什么它的工作效果要比传统的方法好。
【记录-如何安装halcon软件】
记录-如何安装halcon软件
毕业设计-基于机器视觉的手势识别系统-OPENCV
毕业设计-基于机器视觉的手势识别系统-OPENCV：人机的交互活动最早诞生是为了能更好更方便的控制计算 机，输入信息。最常用的也是最突出的就是利用键盘和鼠标进 行人与计算机的信息交换，但是这也成为了人机交互发展的瓶 颈。当前广泛使用的WIMP图形用户接口，因为从用户到计 算机的通信是串口的，用户不能
神经网络模型的参数量和FlOPS
FLOPS：注意S是大写，是 “每秒所执行的浮点运算次数”（floating-point operations per second）的缩写。它常被用来估算电脑的执行效能，尤其是在使用到大量浮点运算的科学计算领域中。正因为FLOPS字尾的那个S，代表秒，而不是复数，所以不能省略掉。FLOPs：注意s
【机器学习】李宏毅-食物图像分类器
卷积层，256个channel，512个filter，每个filter大小3*3，stride=1，padding=1，输入256*16*16，输出512*16*16。卷积层，512个channel，512个filter，每个filter大小3*3，stride=1，padding=1，输入512*
【深度学习：Few-shot learning】理解深入小样本学习中的孪生网络
Meta Learning （元学习）中，在 meta training 阶段将数据集分解为不同的 meta task，去学习类别变化的情况下模型的泛化能力，在 meta testing 阶段，面对全新的类别，不需要变动已有的模型，就可以完成分类。Meta Learning，又称为learning
如何避免LLM的“幻觉”(Hallucination)
生成式大语言模型（LLM）可以针对各种用户的 prompt 生成高度流畅的回复。然而，大模型倾向于产生幻觉或做出非事实陈述，这可能会损害用户的信任。
【torch.nn.init】初始化参数方法解读
稀疏矩阵：将2D输入张量填充为稀疏矩阵，其中非零元素将从正态分布N ( 0 , 0.01 ) N(0,0.01)N(0,0.01)中提取。正态分布：从给定均值和标准差的正态分布N(mean, std)中生成值，填充输入的张量或变量。xavier_normal 分布：用一个正态分布生成值，填充输入的张
基于注意力的时空图卷积网络交通流预测
由于图信号的卷积运算等于通过图傅里叶变换变换到谱域的这些信号的乘积，因此上式可以理解为分别将gθ和x进行傅里叶变换到谱域，然后将它们的变换结果相乘，进行傅里叶反变换，得到卷积运算的最终结果。因此，周周期分量的设计是为了捕捉交通数据中的周周期特征。时间维度卷积：图卷积操作在空间维度捕获图上每个节点的相
Pycharm搭建CUDA，Pytorch教程（匹配版本，安装，搭建全保姆教程）
最近训练模型跑代码需要用到nvidia的cuda架构加速，结果网上几乎找不到什么能直接解决问题的教程，最后东拼西凑了几个小时才搭建完成，所以想整理出这篇集百家之精华的教程，防止自己以后太久不用忘记了。
