常用的ControlNet以及如何在Stable Diffusion WebUI中使用
ControlNet是斯坦福大学研究人员开发的Stable Diffusion的扩展，使创作者能够轻松地控制AI图像和视频中的对象
深度学习中FLOPS和FLOPs的区别与计算
我们在购买GPU或者计算目标检测模型复杂度的时候，一般会遇到FLOPS和FLOPs这两个指标，在此加以区分。
Windows端CUDA11.3+CUDNN+pytorch环境搭建
1、显卡驱动的安装最近，在学习pytorch深度学习，遇到很多的坑，环境配置也出现过问题，忍不住和大家进行分享，现在把环境搭建过程分享给大家。1.1、查看自己的显卡。具体操作：我的电脑-——属性——设备管理器——显示适配器1.2、驱动的下载、安装。在找到自己的显卡后，去NVIDIA官网下载安装驱动选
nerf训练自己的数据，过程记录十分详细
用nerf渲染自己拍摄的数据，过程详细且配图解释！！！
AI绘画黑科技Stable Diffusion WebUI在线部署使用教程
AI绘画黑科技Stable Diffusion，能够根据文字描述生成精美图像，开源且在消费级GPU上就能运行。Stable Diffusion WebUI是Stable Diffusion的Web版，提供了便捷的WebUI交互界面，部署使用方便，支持中文汉化插件，而且通过Stable Diffusi
深度解析预训练权重的本质和作用：你真的了解它们吗？
为了训练自定义模型，通常需要使用大量标注好的图像数据来训练模型。但是，当可用的训练数据不够多时，可以使用预训练权重来提高模型的性能。
变化检测（Change Detection，CD） 综述2篇 & CD代码 & 常用CD数据集及链接
CD best paper 。综述1，介绍变化检测流程、各种类型的CD数据集、分析不同的算法框架与当前AI主流网络，实际应用，机遇与挑战（无监督、异构数据、是否可靠），内容丰富。综述2，包括，遥感领域中变化检测的应用，深度学习算法概述（历史、deep models、DBNs、SAEs、CNNs），已
强化学习PPO从理论到代码详解(2)---PPO1和PPO2
上一节我们了解了什么是策略梯度，本节开始讲PPO理论之前，我们先提出一个概念，什么在线学习，什么离线学习。
GPT-4 API 接口调用及价格分析
对开发者来说，GPT-4最激动人心的是API接口同步发布。我今天获得了API访问权限，本文将跟大家分享GPT-4 API接口的使用以及大家关心的价格分析。
ConvNeXt网络详解
今年(2022)一月份，Facebook AI Research和UC Berkeley一起发表了一篇文章A ConvNet for the 2020s，在文章中提出了ConvNeXt纯卷积神经网络，它对标的是2021年非常火的Swin Transformer，通过一系列实验比对，在相同的FLOPs
【pytorch】Vision Transformer实现图像分类+可视化+训练数据保存
一、Vision Transformer介绍Transformer的核心是 “自注意力” 机制。论文地址：https://arxiv.org/pdf/2010.11929.pdf自注意力（self-attention）相比 卷积神经网络 和 循环神经网络 同时具有并行计算和最短的最大路径⻓度这两个优
基于深度学习的图像配准
基于深度学习的图像配准技术
Batch Norm的原理和作用
Batch Normalization做了什么？怎么用？
Pytorch实现GAT(基于PyTorch实现)
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
yolov7训练自己的数据集
yolov7训练自己的数据集并使用labellmg标注工具的安装和使用
一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
一文看懂卷积运算（convolution）与互相关运算（cross-correlation）的区别
YOLOv5 + StrongSORT with OSNet
YOLOv5 + StrongSORT with OSNet：YOLOv5检测器 + StrongSORT跟踪算法 + OSNet行人重识别模型
transformer学习笔记：Positional Encoding（位置编码）
对于任何一门语言，单词在句子中的位置以及排列顺序是非常重要的，它们不仅是一个句子的语法结构的组成部分，更是表达语义的重要概念。
【翻译】为深度学习购买哪种GPU: 我在深度学习中使用GPU的经验和建议
这篇博文的结构如下。首先，我将解释是什么让GPU变得快速。我将讨论CPU与GPU、Tensor Cores、内存带宽和GPU的内存层次，以及这些与深度学习性能的关系。这些解释可能会帮助你对在GPU中寻找什么有一个更直观的感觉。我讨论了新的NVIDIA RTX 40安培GPU系列的独特功能，如果你购买
让PyTorch训练速度更快，你需要掌握这17种方法
与传统的学习率 schedule 相比，在最好的情况下，该 schedule 实现了巨大的加速（Smith 称之为超级收敛）。然后，这个周期的长度应该略小于总的 epochs 数，并且，在训练的最后阶段，我们应该允许学习率比最小值小几个数量级。一个比较好用的经验是，batch 大小加倍时，学习率也要
