paddlepaddle安装问题protobuf package to 3.20.x or lower.
按照官方文档安装paddlepaddle 2.3.0后，进行环境验证时，总是提示错误
分割网络损失函数总结！交叉熵，Focal loss，Dice，iou，TverskyLoss！
交叉熵损失，Focal loss, Dice, iou, Tverskyloss!
开发私有chatGPT（一）openai接口文档介绍
介绍概述OpenAI API 几乎可以应用于任何涉及理解或生成自然语言或代码的任务。我们提供一系列具有不同功率水平的型号，适用于不同的任务，并能够微调您自己的定制模型。这些模型可用于从内容生成到语义搜索和分类的所有内容。关键概念我们建议完成快速入门教程，通过动手的交互式示例熟悉关键概念。快速入门教程
并联四足机器人项目开源教程（五） --- 四足机器人相关书籍&论文研读
并联四足机器人项目开源
Python - matplotlib - 决策曲线分析（Decision Curve Analysis）
Python绘制临床预测模型决策曲线，幼儿园级教程！有手就会！
AI实现艺术品自动生成？太牛了
什么是AI艺术家?本文介绍了AI艺术家的基本原理以及使用流程,为艺术创作带来新的概念,希望能得到大家的鼓励支持!
CLIP论文详解
CLIP算是在跨模态训练无监督中的开创性工作，作者在开头梳理了现在vision上的训练方式，从有监督的训练，到弱监督训练，再到最终的无监督训练。这样训练的好处在于可以避免的有监督的 categorical label的限制，具有zero-shot性质，极大的提升了模型的实用性能。这篇文章中作者提到早
【电子、电气、人工智能、图像处理、红外】EI会议（2023）
2023年EI会议，领域包括图像处理、电子信息、机械、光学、深度学习、计算机视觉等等
AUTOSAR基础篇之CanTsyn
你知道为什么需要进行时间同步吗？时间同步的应用场景有哪些呢？当前主流的时间同步方案有哪些吗？对于CAN 时间同步的协议又是怎样设计的呢？今天，我们来一起探索并回答这些问题。
MATLAB绘图合集：填充二维等高线图contourf
本文主要介绍等高线图绘制函数contourf的简单实用和一些基本操作例子
超像素(superpixel)——SLIC和深度学习法
用简单的语言描述超像素的形成原理，提供传统法SLIC和深度学习法学习超像素的具体数学过程和核心代码
机器学习--使用朴素贝叶斯进行垃圾邮件分类
朴素贝叶斯
Android系统安全 — 3.1-展锐平台secureboot安全启动流程和使用
展锐芯片 sl8541eAndroid平台的 Secureboot 方案功能设计实现
AI创作教程之Stable Diffusion 与Photoshop融合使用（含安装方法）
这是数字艺术世界的巨大发展。艺术家不再需要花时间在图片网站上寻找完美的照片。他们现在可以直接在 Photoshop 中生成图像。但所有这一切真正酷的地方在于，这只是一个开始。随着人工智能变得越来越先进，它可以帮助我们制作更好的照片甚至视频的方式也会越来越先进。因此，如果您是 Photoshop 用户
OpenART mini使用教程
OpenART mini 是我们在 NXP 的 OpenART 套件的基础上，去除非视觉部分而制作出来的迷你版。虽说只是迷你版，但“麻雀虽小，五脏俱全”。OpenART mini 不仅可以很轻松的完成机器视觉（machine vision）应用，还可以完成 OpenMV 不能完成的神经网络模型的部署
Apollo学习笔记（1）：Ubantu20.04安装Apollo7.0
Ubantu20.04安装Apollo7.0完整版记录
AIGC最近很火，给大家推荐一个已经有1000位开发者使用的中文aigc开源模型，包括ai画图、ai聊天
这套模型是昆仑万维集团旗下的奇点智源公司开发的，它们在12月中旬开源，半个月的时间已经吸引了将近1000名使用者。
pytorch从零开始搭建神经网络
pytorch教程之nn.Sequential类详解——使用Sequential类来自定义顺序连接模型_LoveMIss-Y的博客-CSDN博客_sequential类pytorch教程之nn.Module类详解——使用Module类来自定义模型_LoveMIss-Y的博客-CSDN博客_torch
语义分割之SegFormer分享
今年可以说是分割算法爆发的一年，首先Vit通过引入transform将ADE20K mIOU精度第一次刷到50%，超过了之前HRnet+OCR效果，然后再是Swin屠榜各大视觉任务，在分类，语义分割和实例分割都做到了SOTA，斩获ICCV2021的bset paper，然后Segformer有凭借对
机器学习算法——混淆矩阵（Confusion Matrix）之鸢尾花实例
什么是混淆矩阵？其实就是把所有类别的预测结果与真实结果按类别放置到了同一个表里，在这个表里我们可以清楚地看到每个类别正确识别的数量和错误识别的数量。混淆矩阵在什么情况下最好呢？答案是类别不平衡时。混淆矩阵是除了ROC曲线和AUC之外的另一个判别分类好坏程度的方法。TP=True Positive=真
