自监督ViT：DINO-v1和DINO-v2
基于ViT（Vision Transformer）自监督在最近几年取得了很大进步，目前在无监督分类任务下已经超过了之前的一些经典模型，同时在检测分割等基础任务领域也展现出了强大的泛化能力。这篇文章将主要基于DINO系列自监督算法介绍它们的算法原理，方便 大家快速了解相关算法。
Pytorch激活函数最全汇总
为了更清晰地学习Pytorch中的激活函数，并对比它们之间的不同，这里对最新版本的Pytorch中的激活函数进行了汇总，主要介绍激活函数的公式、图像以及使用方法，具体细节可查看官方文档。
长时间序列模型DLinear（代码解析）
长时间序列模型SOTA，Dlinear模型代码解析
Vision Transformer 模型详解
关于Vision Transformer模型的详解 ，末尾附原论文下载链接以及pytorch代码。
RTX 4090深度学习性能实测奉上！模型训练可提升60~80%
新一代RTX 4090显卡性能相比上一代RTX 30系列有了巨大提升，最高接近80%，涡轮版RTX 4090显卡尺寸与30系列涡轮版对比变化不大，依旧与超微8卡GPU平台适配，搭配后可以提供强大的整机计算性能。
【深度学习】——Informer模型
Informer模型是一种用于时间序列预测的深度学习模型，由中国科学院自动化研究所的研究团队提出。与传统的RNN、LSTM、GRU等模型不同，Informer模型采用了一种新的注意力机制，能够很好地处理长期依赖和序列中的缺失值。
配置文件、权重文件、YOLOV5
配置文件（也称为模型定义文件或模型结构文件）包含了模型的结构信息，如层的类型、数量、参数等；即YOLOV5的框架。
WGAN-gp模型——pytorch实现
【代码】WGAN-gp模型——pytorch实现。
深入浅出TensorFlow2函数——tf.rank
tf.rank(input, name=None)
七、训练模型，CPU经常100%，但是GPU使用率才5%左右
具体原因分析参见。
使用Mask-RCNN训练自己的数据集看这一篇就够了，从制作数据集开始一步步教你如何玩转Mask-RCNN（保姆级教程）
使用Mask_RCNN训练自己的数据集的方法，教你从零开始训练自己的Mask_RCNN模型。
解决：RuntimeError: CUDA error: device-side assert triggered
[TOC]解决办法：RuntimeError: CUDA error: device-side assert triggered。
Windows环境下GPU版本pytorch安装
Windows环境下GPU版本pytorch安装
使用Dreambooth LoRA微调SDXL 0.9
本文将介绍如何通过LoRA对Stable Diffusion XL 0.9进行Dreambooth微调。DreamBooth是一种仅使用几张图像(大约3-5张)来个性化文本到图像模型的方法。
深度学习（8）之 UNet详解（附图文和代码实现）
UNet详解（附图文和代码实现）
Anaconda更换国内镜像源最新方法--2023.1
【代码】Anaconda更换国内镜像源最新方法--2023.1。
用Wav2Lip+GFPGAN创建高质量的唇型合成视频
这是一个简单的参考实现，并不能保证所有情况下都适用，但是可以帮助您了解如何使用Wav2Lip+GFPGAN来生成唇形合成视频。在这里，我可以提供一个简单的代码示例，演示如何使用Wav2Lip+GFPGAN来创建高质量的唇形合成视频。
多层感知机（MLP）
多层感知器（MLP，Multilayer Perceptron）是一种前馈模型，其将输入的多个数据集映射到单一的输出的数据集上。，因此也叫深度感知机是单个神经元模型，是较大神经网络的前身。神经网络的强大之处在于它们能够学习训练数据中的表示，以及如何将其与想要预测的输出变量联系起来。从数学上讲，它们能
如何自己电脑上使用 DeepFaceLab 教程（SAEHD 模型）
Deepfakes（“深度学习”和“假” [1]的合成词）是合成媒体，其中现有图像或视频中的人物被替换为其他人的肖像。虽然伪造内容的行为并不新鲜，但 deepfakes 利用机器学习和人工智能的强大技术来操纵或生成具有很高欺骗潜力的视觉和音频内容。用于创建 deepfakes 的主要机器学习方法基于
SegmentAnything 模型 （SAM）：万物可分割 AI 模型，11亿＋掩码数据集可提取
提取.SAM Demo：https://segment-anything.com/开源地址：https://github.com/facebookresearch/segment-anything论文地址：https://ai.facebook.com/research/publications/s
