人工智能：Pytorch，TensorFlow，MXNET，PaddlePaddle 啥区别？
学习人工智能的时候碰到各种深度神经网络框架：pytorch，TensorFlow，MXNET，PaddlePaddle，他们有什么区别？PyTorch、TensorFlow、MXNet和PaddlePaddle都是深度学习领域的开源框架，它们各自具有不同的特点和优势。
模型被投毒攻击，如今有了新的安全手段，还被AI顶刊接收
诚实节点则会收到奖励。：FLock 的实验结果也指出，在恶意节点占比较多的时候（即 \eta 增大时），较大的惩罚力度也会造成部分诚实节点的存活时间缩短（因为每一轮的提议者和投票者是随机选取的）。基于 PoS 和《The Resistance》的启发，FLock 提出了一个新颖的基于区块链的 FL
YOLOv5目标检测：ubuntu1804从零开始使用YOLOv5训练自己的数据集（亲测有效，一步一步来一定行）
本文基于ubuntu18.04使用自己制作的数据集在YOLOv5上进行训练，记录了一个完整的过程
Ubuntu20.04配置深度学习环境（全网最细最全）
Ubuntu20.04配置深度学习环境
【霹雳吧啦】手把手带你入门语义分割の番外8：U-Net 源码讲解（PyTorch）—— 网络的搭建
这篇文章是作者根据 B 站 霹雳吧啦Wz 的 《 使用 Pytorch 搭建 U-Net 网络并基于 DRIVE 数据集训练（语义分割） 》系列所作的学习笔记，主要对 DRIVE 文件夹结构和 predict.py、unet.py 文件进行具体讲解，介绍了 U-Net 网络的搭建。作者小白，请多包涵
【学习笔记5】Linux下cuda、cudnn、pytorch版本对应关系
NVIDIA CUDA Toolkit （CUDA）为创建高性能 GPU 加速应用程序提供了一个开发环境。借助 CUDA 工具包，您可以在 GPU 加速的嵌入式系统、桌面工作站、企业数据中心、基于云的平台和 HPC 超级计算机上开发、优化和部署您的应用程序。该工具包包括 GPU 加速库、调试和优化工
text-generation-webui大模型部署
可以不使用官方的一键安装脚本，因为其会新下载一个conda并新建一个环境，并且下载过程会从国外官方的源下载所需要的环境包，比较慢。首先，激活conda环境，根据平台安装pytorch，如果使用GPU则安装cuda版本的，并且安装cuda相关的库等等，这里不再赘述。其次，根据GPU与CPU选择对应的依
基于 3D 卷积神经网络和 ADNI 数据集的阿尔兹海默智能诊断 Web 应用
✨基于 3D 卷积神经网络(CNN)的阿尔兹海默智能诊断 Web 应用✨ ：图像识别可视化界面，快速部署深度学习模型为网页应用，Web预测系统，决策支持系统(DSS)，图像识别前端网页，图像识别Demo展示-Pywebio。AI人工智能图像识别-Pytorch；nii医学影像处理；ADNI数据集。1
pytest学习-pytorch单元测试
希望测试pytorch各种算子、block、网络等在不同硬件平台,不同软件版本下的计算误差、耗时、内存占用等指标.本文基于torch.testing._internal。
WSL2的安装与配置（创建Anaconda虚拟环境、更新软件包、安装PyTorch、VSCode）
WSL2的安装与配置Key Word：创建Anaconda虚拟环境、更新软件包、安装PyTorch、VSCode）
使用FP8加速PyTorch训练的两种方法总结
在PyTorch中，FP8（8-bit 浮点数）是一个较新的数据类型，用于实现高效的神经网络训练和推理。它主要被设计来降低模型运行时的内存占用，并加快计算速度
Mac配置pytorch的保姆级教程！！
本篇文章将介绍Mac用户如何配置PyTorch，需要事先完成的准备工作如下：安装AnaConda安装PyCharm安装python视频版教程移步B站。
未来科技的前沿：深入探讨人工智能的进展、机器学习技术和未来趋势
本文全面回顾了人工智能（AI）的发展历程，从早期概念到今日的先进应用，特别关注机器学习、深度学习和神经网络等关键技术。文章首先定义了AI，阐述了其模仿人类认知功能的核心目的，并透视了AI如何通过学习和适应，不断提升处理复杂任务的能力。随后，文中深入讨论了AI技术的主要分支，包括其工作原理、主要工具及
在pycharm中配置pytorch虚拟环境
1.打开Anaconda Prompt2.查看系统当前已有Python环境3.创建一个新的环境4.进入新环境下面左边括号由“base”转换为了新环境名，即进入了。
图神经网络入门示例：使用PyTorch Geometric 进行节点分类
本文介绍的主要流程是我们训练图神经网络的基本流程，尤其是前期的数据处理和加载，通过扩展本文的基本流程可以应对几乎所有图神经网络问题。
Transformers 加速的一些常用技巧
我们今天来总结以下一些常用的加速策略
使用PyTorch实现L1, L2和Elastic Net正则化
在机器学习中，L1正则化、L2正则化和Elastic Net正则化是用来避免过拟合的技术，它们通过在损失函数中添加一个惩罚项来实现。
PyTorch小技巧：使用Hook可视化网络层激活（各层输出）
这篇文章将演示如何可视化PyTorch激活层。可视化激活，即模型内各层的输出，对于理解深度神经网络如何处理视觉信息至关重要，这有助于诊断模型行为并激发改进。
时空图神经网络ST-GNN的概念以及Pytorch实现
对于时空图神经网络Spatail-Temporal Graph来说，最简单的描述就是在原来的Graph基础上增加了时间这一个维度，也就是说我们的Graph的节点特征是会随着时间而变化的。
nn.BCEWithLogitsLoss中weight参数和pos_weight参数的作用及用法
如果我们在做多分类任务，有些类比较重要，有些类不太重要，想要模型更加关注重要的类别，那么只需将比较重要的类所对应的w权重设置大一点，不太重要的类所对应的w权重设置小一点。其中pos_weight对应上式公式中的p_c,这个参数是为了调节正负样本不均衡问题的，如果正负样本比是10：1，那么我们可以将p
